面向运动想象 BCI 中针对不同用户状态与特质的优化偏置反馈识别
人机交互
2021-12-24 v1
摘要
目的。神经自我调节对于实现脑机接口（BCIs）的控制是必要的。这可能是一个艰巨的学习过程，尤其对于运动想象 BCI。已提出多种训练方法以帮助用户完成 BCI 控制并提升性能。值得注意的是偏置反馈的使用，即对性能的非真实表征。偏置反馈对性能和学习的益处因用户而异（例如取决于其初始 BCI 控制水平）且仍属推测。为厘清这些推测，我们研究何种人格类型、初始状态和校准性能（CP）可受益于偏置反馈。方法。我们开展一项实验（n=30，2 次会话）。提供给各组（n=10）的反馈分别为正偏置、负偏置或无偏置。结果。统计分析表明偏置与以下因素的交互作用显著 affect 在线性能：1）工作负荷，2）焦虑，3）自我控制。例如，低初始工作负荷配负偏置与更高的峰值性能（86%）相关，而无任何偏置时为（69%）。高焦虑无论偏置如何均与性能负相关（60%），而低焦虑与负偏置最匹配（76%）。对于低 CP，学习率（LR）仅在短期内随负偏置增加（LR=2%），因为在第二次会话中其急剧下降（LR=-1%）。结论。我们揭示了上述人因与偏置之间的诸多交互作用。此外，我们使用预测模型确认并揭示了更多交互作用。意义。本文是迈向针对人格类型、状态和 CP 识别最优偏置反馈以最大化 BCI 性能和学习的初步一步。
引用
@article{arxiv.2112.12399,
title = {Towards identifying optimal biased feedback for various user states and traits in motor imagery BCI},
author = {Jelena Mladenović and Jeremy Frey and Smeety Pramij and Jeremie Mattout and Fabien Lotte},
journal= {arXiv preprint arXiv:2112.12399},
year = {2021}
}
备注
IEEE Transactions on Biomedical Engineering, Institute of Electrical and Electronics Engineers, 2021