面向脑机接口的长期稳定神经解码的加速子域适应回归
信号处理
2024-07-26 v1
摘要
脑机接口(BCI)提供了将神经信号转换为控制信号的手段, 为瘫痪患者的运动恢复提供了可能. 尽管如此, BCI 面临着在时间上维持解码准确率的重大挑战, 由于神经非平稳性. 然而, 由于神经数据漂移, BCI 的解码准确率在不同天数会严重下降. 虽然当前的校准技术在一定程度上解决了此问题, 但往往未能利用有限的标记数据, 未能考虑两天之间的信号相关性, 或在回归任务中进行条件对齐. 本文提出一种新方法来增强校准性能. 我们首先进行初步实验, 揭示神经信号变化的时序模式, 并识别出有效校准的三个关键要素: 全局对齐、条件速度对齐和特征-标签一致性. 在这些见解基础上, 我们提出了 Speed-enhanced Subdomain Adaptation Regression (SSAR) 框架, 将半监督学习与域适应技术集成到回归神经解码中. SSAR 采用 Speed-enhanced Subdomain Alignment (SeSA) 实现相似标记数据的时间全局和速度条件对齐, 通过对比学习强化特征-标签一致性, 使用对比一致性约束(CCC) 来增强 SeSA 的对齐效果. 我们的全面实验, 包括定性和定量分析, 论证了 SSAR 在校准性能和鲁棒性方面的优势.
引用
@article{arxiv.2407.17758,
title = {Speed-enhanced Subdomain Adaptation Regression for Long-term Stable Neural Decoding in Brain-computer Interfaces},
author = {Jiyu Wei and Dazhong Rong and Xinyun Zhu and Qinming He and Yueming Wang},
journal= {arXiv preprint arXiv:2407.17758},
year = {2024}
}