使脑机接口对未来神经变异性具有鲁棒性
神经元与认知
2016-12-15 v1 机器学习
摘要
脑机接口（BMI）临床转化的一个主要障碍是，当前基于少量近期数据训练的解码器在随后的神经记录条件发生变化时会失效。我们测试了是否可以通过训练解码器处理从数月历史数据中采样的多种记录条件以及合成训练数据扰动，使其对未来神经变异性更具鲁棒性。我们开发了一种新的乘性循环神经网络 BMI 解码器，该解码器成功学习了多种神经到运动学的映射，并且随着训练数据集的增大而变得更具鲁棒性。在非人灵长类临床前 BMI 模型中进行测试时，该解码器在使最先进的基于 Kalman 滤波器的解码器失效的条件下仍保持鲁棒。这些结果验证了一种新的 BMI 策略，该策略有效利用了积累的数据历史，并可能通过减少解码器重训练的停机时间来促进可靠的日常 BMI 使用。
关键词
引用
@article{arxiv.1610.05872,
title = {Making brain-machine interfaces robust to future neural variability},
author = {David Sussillo and Sergey D. Stavisky and Jonathan C. Kao and Stephen I. Ryu and Krishna V. Shenoy},
journal= {arXiv preprint arXiv:1610.05872},
year = {2016}
}
备注
D.S., S.D.S., and J.C.K. contributed equally to this work