.png){kind=icon}
返回
Degradation-aware neural imputation: Advancing decoding stability in brain machine interfaces
.png){kind=icon}
OA
AI
DOI：10.1063/5.0250296.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
神经信号退化在植入式脑机接口（iBMI）应用中，使用多单元活动（MUA）和局部场电位（LFP）信号解码运动任务时，对保持稳定性能构成了重大挑战。有效填补退化或缺失信号的方法对于恢复神经信号完整性至关重要，从而提高解码准确性和系统在信号质量波动的长期记录中的鲁棒性。本研究引入了一种基于置信度加权的贝叶斯线性回归（CW-BLR）方法来填补受退化影响的神经信号，增强了解码的鲁棒性和一致性。使用核切片逆回归（kSIR）解码器评估解码结果时，将CW-BLR的性能与传统方法（均值填补法Mean-imp和基于高斯混合模型的期望最大化法GMM-EM）进行了比较。训练了4只Wistar大鼠执行前肢抓取任务，并在27天内记录其神经活动（MUA和LFP）。CW-BLR填补了第8-27天期间退化的信号。使用kSIR评估解码性能，并与Mean-imp和GMM-EM进行比较。CW-BLR通过有效保留神经信号中的时间和空间依赖性，表现出更优的性能。与传统的填补方法相比，CW-BLR填补的数据显著提高了解码准确率，kSIR解码器在保持退化期信号质量方面持续表现更佳。CW-BLR为iBMI应用提供了一个鲁棒且有效的填补框架，解决了信号退化挑战，并在长期记录中维持准确解码。通过利用基于置信度的质量指标，CW-BLR超越了传统方法，在信号质量波动的场景下提供了稳定的神经解码。（c）2025 作者(s)。除另有注明外，本文内容根据知识共享署名-非商业性使用-禁止演绎4.0国际（CC BY-NC-ND）许可协议授权（https://creativecommons.org/licenses/by-nc-nd/4.0/）。
Keyword:
EXPECTATION-MAXIMIZATION ALGORITHM
FREQUENCY GAMMA-OSCILLATIONS
MISSING DATA IMPUTATION
MOTOR CORTEX
MULTIPLE IMPUTATION
HEALTH
PERFORMANCE
MULTIUNIT
MOVEMENT
DYNAMICS
期刊
IF:
4.1
论文数:
491
被引数:
1.7K
机构
引用论文
分享收藏The impact of short term synaptic depression and stochastic vesicle dynamics on neuronal variabilityOAAI
OAAI分享收藏The origin of extracellular fields and currents - EEG, ECoG, LFP and spikes细胞外场和电流的起源-EEG，ECoG，LFP和尖峰
OAAI
OAAI分享收藏Synaptic inhibition in the neocortex: Orchestration and computation through canonical circuits and variations on the theme.png)
CORTEXOAAI
CORTEXIF3.3
OAAI分享收藏Decoding gripping force based on local field potentials recorded from subthalamic nucleus in humansELIFEOAAI
ELIFEIF0
OAAI分享收藏
查看更多内容