Vorteile der Klassifizierung durch Deep Learning zur kontinuierlichen nicht-invasiven Gehirn-Computer-Schnittstellensteuerung

Abstract Ziel. Nicht-invasive Gehirn-Computer-Schnittstellen (BCIs) unterstützen gelähmte Patienten, indem sie Zugang zur Welt bieten, ohne chirurgische Eingriffe zu erfordern. Frühere Arbeiten haben vorgeschlagen, dass EEG-Motorimagery-basierte BCIs von einer erhöhten Dekodiergenauigkeit durch die Anwendung von Deep-Learning-Methoden, wie beispielsweise Faltungsneuronalen Netzwerken (CNNs), profitieren können. Ansatz. Hier untersuchen wir, ob sich diese Verbesserungen auf praktische Szenarien wie kontinuierliche Steuerungsaufgaben verallgemeinern lassen (im Gegensatz zu früheren Arbeiten, die eine Klassifizierung pro Versuch berichteten), ob wertvolle Informationen außerhalb des motorischen Kortex latent bleiben (da keine vorherige Arbeit umfassende Kopfhautabdeckungen mit nur motorischen Elektrodenmontagen verglichen hat) und die bestehenden Herausforderungen bei der praktischen Umsetzung der kontinuierlichen BCI-Steuerung basierend auf Deep Learning. Hauptergebnisse. Wir berichten, dass: (1) Deep-Learning-Methoden die Offline-Performance im Vergleich zu Standardmethoden auf einem unabhängigen, großen und langfristigen Online-Motorimagery-BCI-Datensatz mit bis zu 4 Klassen und kontinuierlichem 2D-Feedback erheblich steigern; (2) unsere Ergebnisse deuten darauf hin, dass eine Vielzahl von neuronalen Biomarkern für BCIs, einschließlich derjenigen außerhalb des motorischen Kortex, erkannt und zur Leistungsverbesserung durch Deep-Learning-Methoden genutzt werden können, und (3) die Feinabstimmung der Ausgabe neuronaler Netze ein wichtiger Schritt zur Optimierung der Online-BCI-Steuerung sein wird, da wir festgestellt haben, dass die mit vollem Kopfhaut-EEG trainierten CNN-Modelle auch die durchschnittliche Versuchszeit in einer simulierten Online-Cursor-Steuerungsumgebung erheblich reduzieren. Bedeutung. Diese Arbeit zeigt die Vorteile der CNN-Klassifizierung während der BCI-Steuerung und liefert Beweise dafür, dass die Auswahl der Elektrodenmontage und die Zuordnung der CNN-Ausgabe zur Gerätesteuerung wichtige Designentscheidungen bei CNN-basierten BCIs sein werden.