腦機接口目前有一些明顯的缺陷，這使得無法在日常場景中得到廣泛運用，例如在進行監督學習時，被試常被要求進行特定的動作。但這會出現幾個問題：

第一，有時由于接受能力有限，被試無法準確表達出所要求的動作，就是所謂的“腦子跟上了但手沒跟上”。

第二，在進行實驗時，尤其是進行復雜的MI（motor imagination)任務時，要控制住環境變量，即要保證有一個穩定的實驗環境。

第三，由于監督學習的實驗已經指定好動作了，因此被試無法自由地按照自己的意愿進行一些動作，這就使得BCI的動作輸出很有限。

第四，由于被試的身體狀況，心理狀況等一直在變化，這使得解碼器的解碼準確性發生改變，為了使解碼器的解碼準確率保持不變，就需要不停地進行調試。

鑒于以上的局限性，目前許多策略都在試圖避免或者減少訓練。有些實驗選擇利用遷移學習，通過直接使用或更新為以前用戶培訓的解碼器，來減少或消除對新用戶培訓課程的需求。遷移學習也可以使用以前任務的數據對解碼器進行新任務的培訓。但是在應對不同的任務目標時，遷移學習得到的結果，其分類準確性能并不能滿足需求。還有一些實驗選擇使用無監督學習，因為不需要進行標記或者訓練更新一個新的解碼器，但無監督學習更加適用于已訓練好的解碼器，完全無監督學習只適合用于不那么復雜的分類任務，當需要分類的種類復雜之后，無監督解碼器的分類效果也會較差。

圖 1 自動自適應“auto-adaptive BCI”(aaBCI)

本文的基本思路是用BCI控制任務性能的神經相關性來調控解碼器。【1-5】目前使用這種思路的實驗均為模擬實驗，且為二元分類，除去Gürel,T al.(2012)建議使用任務性能信號來對具有多維連續輸出的解碼器進行適應，然而，這項研究是在完全模擬的條件下進行的，即它們的模擬連續效應器由模擬用戶的隨機最優控制器控制，而不是由真實主體的神經模式解碼控制。

本文建議對于復雜的MI事件，應當在連續時間內進行評估continuous in time motor task performances (cMTP) 而不是鎖定事件(event-locked motor task performance, eMTP) ，只看某些事件發生的時間。cMTP的效果比eMTP的效果更好，因為前者可以對每個時間點的性能進行評估，但后者只能對每個測量點進行性能評估，實際情況中并不能精確地將時間和事件對齊。因此本文建議當使用自動自適應時，cMTP應優先于eMTP，特別是對于復雜的MI任務時。

當一個人在執行任務時認識到錯誤時，可以將與錯誤相關的電位(ErrP)作為響應進行測量。研究表明，在具有時間離散反饋的任務中，ErrP可以被自動檢測出來，錯誤相關的電位被廣泛應用于錯誤糾正或適應。檢測cMTP神經相關性的最佳大腦區域有待討論。ErrP是研究最多的任務表現神經相關性。雖然還沒有研究調查它，但對ErrPs負責的大腦結構也可能產生cMTP神經相關性。

無論信號來自哪個大腦結構，aaBCI框架都會從神經記錄中估計cMTP，估計的cMTP用于創建有標簽的訓練樣本，以校準或更新BCI控制解碼器，被估計為正確或錯誤且高度確定的樣本將實時與控制解碼器各自的輸出相結合，以創建估計標簽。aaBCI使用一種可以在線和實時運行的訓練算法，以便在自定向使用BCI期間使用估計標簽在線適應控制解碼器。該研究的第二個目標是對自動自適應BCI的概念進行驗證，并測試其在模擬在線使用中的性能。

本文的實驗流程：

對四肢癱瘓的受試者左右兩側感覺運動皮層的ECoG進行記錄，總共獲得兩個數據集，每個數據集包括一個或者兩個BCI范式：具有多個離散輸出（圖C所示，四級BCI，受試者必須使用運動圖像來激活和保持四種相互排斥的運動狀態：左右手的運動或者是左右手的旋轉）或者具有多個連續輸出（根據光標進行移動）。

研究結果：

檢測每種范式感覺運動皮層中的cMTP神經相關性，再五重交叉驗證下，cMTP的AUC評分，范式一為0.5677± 0.0427，范式二為0.6479± 0.0202，在模擬實驗中，范式一的AUC得分為70.5%± 8.1%，范式二的AUC得分為71.5%± 7.4%

總結：

本文發現ECoG中cMTP與感覺運動皮層的神經相關性，且本文給出了這種相關性合理的解釋，以及對于預測行為與實際不匹配的另一種解決思路，即可以通過觀測多巴胺濃度的峰值來更好地匹配預測行為與實際行為。

本研究中執行的概念證明表明，自動自適應BCI框架（aaBCI)可用于訓練離散（基于分類）和連續控制BCI的控制解碼器，如經驗所示，aaBCI訓練的控制解碼器的性能低于通過監督學習方式訓練時。事實上，由于cMTP解碼器沒有完全準確，aaBCI框架中使用的估計標簽肯定會有一些不確定性。相比之下，如果我們假設用戶正確執行了所需的任務，則完全監督培訓中使用的標簽是準確的。標簽準確性的這種差異至少是監督和aaBCI解碼器培訓之間性能差異的部分原因。?

此外，aaBCI訓練的過程中丟棄了被足夠確定是分類錯誤的樣本，導致用于訓練受監督控制解碼器和aaBCI的樣本數量出現差異。因此除去標簽標記的準確性問題，訓練數據集之間的大小差異也可能是兩種方式分類準確性出現差異的原因。然而，本文假設，從長遠來看，aaBCI和基于監督的培訓之間的績效差距可能較小，在自我指導使用期間，aaBCI仍然可以標記數據并使用它來更新其控制解碼器，而受監督訓練的控制解碼器將保持固定。aaBCI訓練的控制解碼器訓練數據集的大小最終將超過監督訓練數據集的大小。此外，使用aaBCI訓練的控制解碼器可能會減少分類任務改變所帶來的影響，因為它們會持續更新，只要cMTP解碼器保持有效。

本研究中提出的aaBCI框架不是一個完全不受監督的系統，因為需要標記數據來訓練cMTP解碼器。由于cMTP解碼器是以監督的方式培訓的，因此仍然需要專門的訓練解碼器階段。然而，即使cMTP解碼器必須偶爾更新或重新訓練，更新二分類cMTP解碼器也應該比更新或重新訓練控制更大自由度的復雜控制解碼器更加快速且簡便。此外，本研究中使用的交叉驗證方案表明，隨著時間的推移，在運動感覺皮層中檢測到的cMTP相關性至少部分穩健。交叉驗證折疊由不同的記錄會話組成，因此cMTP解碼器并不總是在臨時關閉的數據集上進行訓練和測試。此屬性對aaBCI的長期自適應能力很有價值，因為它減少了定期更新aaBCI的cMTP解碼器的需求。在運動感受皮層中檢測到的cMTP神經相關性在時間上的穩健性與經典研究的誤差相關神經相關性【6，7】的穩健性。

Reference

[1]Gürel,T.&Mehring,C.Unsupervisedadaptationofbrain–machineinterfacedecoders.Front.Neurosci.6,164(2012).

[2]Llera, A., Gómez, V. & Kappen, H. J. Adaptive classification on brain–computer interfaces using reinforcement signals. Neural Comput.24, 2900–2923 (2012).

[3]Llera,A.,vanGerven,M.A.J.,Gómez,V.,Jensen,O.&Kappen,H.J.Ontheuseofinteractionerrorpotentialsforadaptivebrain computer interfaces. Neural Netw. 24, 1120–1127 (2011).

[4]Zeyl,T.J.&Chau,T.Acasestudyoflinearclassifiersadaptedusingimperfectlabelsderivedfromhumanevent-relatedpotentials. Pattern Recogn. Lett. 37, 54–62 (2014).

[5]J.Blumberg,etal.Adaptiveclassificationforbrain–computerinterfaces.In200729thAnnualInternationalConferenceoftheIEEE Engineering in Medicine and Biology Society 2536–2539 (2007).

[6]Chavarriaga, R. & Millan, J. D. R. Learning from EEG error-related potentials in noninvasive brain–computer interfaces. IEEE Trans. Neural Syst. Rehabil. Eng. 18, 381–388 (2010).

[7]Olvet,D.M.&Hajcak,G.Reliabilityoferror-relatedbrainactivity.BrainRes.1284,89–99(2009).

---

僅用于學術分享，若侵權請留言，即時刪侵！

更多閱讀

馬斯克合伙人“造出”大腦皮層 有望進行人體測試

人類“第六感”首次被證實，研究發現人腦具有磁場感應能力

上海交大教授盧策吾深度解讀“具身智能”

預見2023：《2023年中國腦機接口行業全景圖譜》

這個腦機接口實現每分鐘超60個單詞的意念說話

腦機接口公司Precision Neuroscience完成了B輪4100萬美元

哈佛研究人員說：柔性水凝膠電極也許是腦機接口的下一步

人類意識的大腦模式

? ?加入社群??

歡迎加入腦機接口社區交流群，

探討腦機接口領域話題，實時跟蹤腦機接口前沿。

加微信群：

添加微信:RoseBCI【備注：姓名+行業/專業】。

加QQ群：913607986

??歡迎來稿??

1.歡迎來稿。投稿咨詢，請聯系微信：RoseBCI

2.加入社區成為兼職創作者，請聯系微信：RoseBCI

點個在看祝你開心一整天!

總結

以上是生活随笔為你收集整理的Nature子刊：对EcoG脑机接口进行无监督适应的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。