Brain-machine interfaces: past, present and future
PulseAugur coverage of Brain-machine interfaces: past, present and future — every cluster mentioning Brain-machine interfaces: past, present and future across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新型注意力模型可从脑电信号中解码运动参数
研究人员开发了三种回归模型，用于从脑机接口（BMI）的脑电图（EEG）信号中解码多个运动参数。基于注意力的回归器表现出最高的性能，R平方值为0.8，延迟为29.2毫秒，在同时多参数解码方面取得了显著的改进。虽然该模型在多参数解码方面表现出色，但其在单参数解码方面的性能有所下降。多层感知器在两种解码类型上提供了更一致但准确性较低的结果。
-
新的SSCDL框架提升了脑机接口的泛化能力
研究人员开发了一个名为自监督一致性增强解耦学习（SSCDL）的新框架，以提高脑机接口（BMIs）的泛化能力。该方法解决了由于神经漂移导致性能随时间下降的问题。SSCDL利用一种新颖的、具有教师-学生一致性约束的一致性增强神经解码器（CND）来学习抵抗神经漂移的表示。此外，它在互补解耦泛化（CDG）机制中使用了三个CND，将运动信号分离成速度、方向和速率，从而提高了跨日稳定性和解码性能。
-
新框架解决神经漂移问题，实现稳定长期脑机接口
研究人员开发了一个名为不确定性引导自步循环（UnSPC）的新框架，以应对长期脑机接口（BMIs）中神经漂移的挑战。该框架结合了域自适应和域泛化技术，以及一种新颖的伪标签机制，以优化目标域并减轻性能随时间的下降。UnSPC通过循环过程迭代地识别可靠的伪标签样本，并整合自适应和泛化策略，从而实现稳定的长期BMI控制。