你的位置：首页 >> 产品展示 >> VR体验室  VR体验室
两种皮质内BCI的神经解码方法
来源:delsys表面肌电脑电分析系统_EMG_EEG_人因工程 | 发布时间:2025/2/27 | 浏览次数：
苏州长显 www.inscopix.cn > 学习与分享
两种皮质内BCI的神经解码方法
===============
来源：未知 │ 发表时间：2023-10-25 | 浏览数：载入中...
[IMAGE] 图1:BCI的一般范式图
一般来说，传感器或电极记录神经活动，获得的大脑信号由采集系统收集，然后应用设计的算法（解码器）提取特定信号的特征或模式，并将其翻译成命令指令。再提一点，外部设备（效应器）根据指令执行任务并反馈给个体。
---------------------------------------------------------------------
近年来，皮质内脑机接口（iBCIs）系统已经生成了许多适用于 NHP 和瘫痪人类的解码算法。与运动相关的 iBCI 任务可分为 2
类：离散运动和连续运动。
离散运动的解码器通常采用分类算法来识别不同的任务，而连续运动的解码器需要通过信号的回归分析来预测肢体的运动学。下面是用于解码离散和连续运动的算法的详细描述。
---------------------------------------------------------------------
离散运动解码
对于离散运动，皮质内信号被解码以识别手臂伸展抓握运动、上肢手腕运动和手指运动的多类别运动。解码器会学习训练数据的特征，并找到信号与动作类别之间的映射关系，分类器则取输入信号对应的类别。
控制机器人运动最常用的解码器是线性判别分析（LDA）和朴素贝叶斯解码器（图2A）。支持向量机（SVM）是一种经典的机器学习方法，它在特征空间上寻找较大分类区间，从而找到较佳的分离超平面来区分不同的类别。
例如，一名患有脊髓损伤（SCI）的男性患者用 6 种不同的手、手腕和手指动作执行运动想象任务，以及在存在外部刺激的情况下执行 6 或 7
种不同的手腕和手部动作，结合起来WMP 具有非线性 SVM 分类器来分析信号，并为瘫痪患者自主运动的恢复获得了良好的结果。
[IMAGE] 图2:神经解码的架构：(A) 朴素贝叶斯模型分别针对 LFP 和脑电图 (EEG)
特征进行训练，并通过贝叶斯分类器的决策融合和后验概率获得预测运动学。(B) DNN 由 LSTM 和卷积层组成，使用多尺度的 MWP
特征来预测运动。(C) TCN 用作预测运动学的解码器。(D) 基于 LFP 的解码器使用 LSTM，如灰色阴影块所示。
随着机器学习的发展，在 iBCIs 的神经信号解码中开发了更复杂的网络。卷积神经网络（CNN）是一种多层神经网络，广泛应用于计算机视觉领域。循环神经网络（RNN）及其变体长短期记忆（LSTM）更适合自然语言处理。
对于从执行 4 个运动任务的四肢瘫痪参与者收集的神经信号，提取 MWP 特征并利用神经网络深度神经网络 (DNN) 来预测离散运动。DNN
由 LSTM 和卷积层组成，其中 LSTM 用于从信号中提取时间信息，DNN
的再提一点一层使用启动函数进行类别的概率预测，概率值较高的动作就是当时预测的动作。与其他比较算法、非线性 LDA、SVM
和贝叶斯相比，DNN 具有更短的响应时间和更高的精度（图 1）。解码离散运动的皮质内信号的分类方法如下表所示。
[IMAGE]
---------------------------------------------------------------------
连续运动学解码
由于皮质内信号中包含丰富的运动相关信息，IBCI 是解码连续肢体运动的较好的选择系统。连续运动学控制通常通过解码器来实现，以预测运动状态，例如肢位置置和速度。为了满足这一需求，卡尔曼滤波器以运动学模型为基础对输出进行修改和优化，并在离线、实时和临床试验中得到了广泛的应用。
在连续任务中，尖峰解码器得到了广泛的应用。由于 LFP 与尖峰相比具有长期稳定性，因此对 LFP 驱动的解码器的研究一直在增加。然而，早期基于LFP的研究通常使用卡尔曼滤波器，其性能低于尖峰解码器。神经网络的发展提供了一种更稳定、更稳健的方法来解码尖峰
iBCI 和 LFP-iBCI 中的连续运动意图。
时间卷积网络（TCN）是CNN网络的一种变体结构，它使用一维扩张因果卷积层和LFP信号的特征来在预测手部运动方面取得良好的性能（图2C ）。
RNN是一种处理序列信号的方法，可以利用反馈连接将最近的输入表示存储到隐藏状态中，因此在预测连续运动学方面具有更大的优势。然而，用于更新隐藏状态的传统反向传播可能会导致
RNN 中出现梯度爆炸或消失问题。
LSTM 是 RNN 的一种变体，可以通过引入门控结构来解决梯度消失问题并改善长期依赖性的捕获。因此，LSTM
在运动预测方面有很多应用。基于尖峰，经过多日多电极记录训练的 LSTM
模型在从人类运动皮层信号中解码预期光标速度方面表现良好，并且与卡尔曼滤波器相比，它大大提高了点选光标任务中的每秒位数指标。
LFP信号和LSTM解码器的第一次组合在预测手部运动学预测任务中实现了比基于LFP和尖峰的卡尔曼滤波器明显更好的解码性能，这表明LFP驱动的LSTM解码器可以为以下任务提供高解码性能、鲁棒性和低功耗：iBCI（图2D）。
深度学习网络具有强大的特征提取能力，可以构建由包含有用信息的多结构网络组成的解码模型。由于RNN不具备并行计算的能力，准循环神经网络（QRNN）交替使用卷积层和极简的循环池化函数，结合了CNN的并行计算能力和RNN的时间相关能力来学习顺序数据。采用
QRNN 进行速度解码，其性能优于其他比较算法，例如标准 RNN 和 LSTM 。
值得注意的是，速度和位置在运动皮层中的编码方式不同，因此，分别解码运动和速度对提高性能具有积极影响。使用同时解码运动和速度的双 LSTM
模型，与速度卡尔曼滤波器以及速度 LSTM 相比，速度方向 LSTM 可以更准确地评估上肢运动变量。因此，将 RNN
及其变体应用于皮质内信号可以提高解码连续运动的性能。以下表格总结了解码连续运动的皮质内信号的方法。
[IMAGE]
* 上一个新发现！你不知道的新型脑细胞！
* 下一个EEG预测弹幕评论中传达的道德影响作用
苏州长显 www.nirx.com.cn
hgxtkooLpEVYqQew76JMYVS6MADn1au2CEs9K75yubDi3qw66E0y87K8kv+aO8dRB1U31hoxqSz4FFU7ACoix/GbKrrVtQullTVcVquOG1bDhOyculjKd82ZUWG93n6Fz1bTEHxco78p8LLB51az3eo3LsRH87sTdQe179+B2H8JVtfQS+UnBwPX1AKg4BhEhC0m1wrffUTiuCedWsSo0/ZIsurUarg9
 
TAG：压力分布测试_薄膜压力传感器_肌电仪_脑电仪_动作捕捉
打印本页 || 关闭窗口
 上一篇：EEG预测弹幕评论中传达的道德影响作用
 下一篇：新发现！你不知道的新型脑细胞！