用于 ECoG 神经信号解码的在线自适应分组稀疏 NPLS 方法
信号处理
2020-10-21 v1 神经元与认知
摘要
目的。脑机接口（BCIs）在不依赖神经肌肉激活的情况下，在大脑与效应器之间创建了新的通信通路。BCI 实验凸显了 BCI 解码器在受试者内和受试者间的高度变异性。尽管 BCI 模型通常依赖于对大多数受试者可泛化的神经标记，但其需要生成广泛的神经特征以涵盖可能的神经生理模式。然而，处理诸如脑信号等含噪高维特征带来了若干需克服的挑战，如模型校准问题、模型泛化与解释问题以及硬件相关障碍。方法。本文提出一种名为 Lp 惩罚 REW-NPLS 算法（PREW-NPLS）的在线自适应分组稀疏解码器，用于降低 BCI 解码所用特征空间的维度。所提解码器旨在构建低计算成本、适用于便携式应用的 BCI 系统，并基于一名四肢瘫痪患者的 ECoG 记录，在离线条件在线研究中进行了测试，该研究通过在线闭环 BCI 控制虚拟化身左右三维手臂运动实现。主要结果。PREW-NPLS 算法展现出至少与 REW-NPLS 算法相当的解码性能。然而，使用 L1-PREW-NPLS 时，左、右手模型分别通过将多达 64% 和 75% 的电极置零的稀疏模型实现了 PREW-NPLS 的解码性能。意义。所设计的方案提出了一种适用于在线自适应解码器校准的在线增量自适应算法，可估计稀疏解码解。PREW-NPLS 模型适用于低计算能力的便携式应用，仅使用少量电极且不降低解码性能。
引用
@article{arxiv.2010.10353,
title = {Online adaptive group-wise sparse NPLS for ECoG neural signal decoding},
author = {Alexandre Moly and Alexandre Aksenov and Alim Louis Benabid and Tetiana Aksenova},
journal= {arXiv preprint arXiv:2010.10353},
year = {2020}
}