.png){kind=icon}
返回
Self-recalibrating classifiers for intracortical brain-computer interfaces
.png){kind=icon}
OA
AI
DOI：10.1088/1741-2560/11/2/026001.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
目的: 皮质内脑-计算机接口 (BCI) 解码器通常每天重新训练以保持稳定的性能。自重新校准解码器旨在通过在正常使用期间自主地训练自身来消除可能存在于临床中的负担，但是仅被开发用于连续控制。在这里，我们解决离散解码 (分类器) 的问题。方法。我们记录了植入两只恒河猴运动皮层的96个电极阵列的阈值交叉，分别在41天和36天中共48天和58天，在7个方向上进行中心向外到达，以进行离线分析。主要结果。我们表明，出于开发自校准分类器的目的，可以将调整参数视为在几天内固定，并且同一电极上的参数在几天之间一起上下移动。此外，漂移在时间上受到约束，这反映在标准分类器的性能中，该标准分类器在不每天重新训练的情况下不会逐渐恶化，尽管与每天重新训练的分类器相比，总体性能降低了10% 以上。两种新颖的自重新校准分类器产生了与未重新训练的分类器所实现的分类准确性类似的15% 增加，以几乎恢复日常重新训练的分类器的性能。意义。我们相信，不需要每天重新训练的分类器的开发将加速BCI系统的临床翻译。未来的工作应该在闭环环境中测试这些结果。
Keyword:
brain-computer interface
classification
stable decoding
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.8
论文数:
4.0K
被引数:
1.4W
机构
引用论文
Rapid communication with a P300 matrix speller using electrocorticographic signals (ECoG)使用脑电图信号 (ECoG) 与P300矩阵拼写器快速通信OAAI
OAAI分享收藏High-performance neuroprosthetic control by an individual with tetraplegia四肢瘫痪患者的高性能神经假体控制.png)
LANCETOAAI
LANCETIF88.5
OAAI分享收藏
查看更多内容