Új módszerrel javítják az agy-számítógép interfészek pontosságát

Az agy-számítógép interfészek (BCI) pontosságát jelentősen ronthatja az osztályegyenlőtlenség, ami az adatok dinamikus változása miatt következik be. A hagyományos módszerek, mint a Riemannian Centering Transformation (RCT), nem képesek kezelni ezt a problémát, ami a céladatok eltolódásához vezet. (ArXiv ML)

Online adaptációs mechanizmus

A probléma megoldására a kutatók kifejlesztették az OSPDIM (Online SPD manifold information maximization) keretrendszert. Ez egy forrásfüggetlen, online adaptációs módszer, amely a Riemannian manifoldon kezeli az osztályegyenlőtlenséget. Az OSPDIM egy speciális, manifold-konstraint bias paramétert vezet be a tangent space mappingbe, amelyet információmaximalizálással optimalizálnak a torzítások korrigálására.

Az OSPDIM ellentétben az offline módszerekkel, amelyek globális kötegstatisztikákra támaszkodnak, menet közben becsüli meg és korrigálja a geometriai eltolódásokat. A 2D SPD mátrixokon végzett szimulációk vizuálisan is igazolták, hogy az OSPDIM sikeresen orvosolja az eltolódásokat, ahol a standard centering módszerek kudarcot vallottak.

Kísérleti eredmények és publikáció

A motoros képalkotási EEG adathalmazokon végzett kiterjedt kísérletek kimutatták, hogy az OSPDIM jelentősen felülmúlja a standard Riemannian alapvonalakat, különösen a kihívást jelentő online adaptációs forgatókönyvekben, ahol erős az osztályegyenlőtlenség. A kutatók szerint ez egy robusztus, plug-and-play megoldást kínál a gyakorlati BCI-rendszerek számára.

Az OSPDIM módszer előnye, hogy képes online és forrásfüggetlenül működni, azaz nem támaszkodik globális kötegstatisztikákra, hanem menet közben becsüli meg és korrigálja a geometriai eltolódást. Ez teszi alkalmassá a valós idejű, dinamikusan változó adatokkal dolgozó BCI-alkalmazásokhoz.

A kutatás eredményeit az arXiv preprint szerverén tették közzé.