文献笔记5-Decoder calibration with ultra small current sample set for intracortical brain–machine inter

基本信息

《Decoder calibration with ultra small current sample set for intracortical brain–machine interface》这篇文章的发表时间是2018年，发表在《Journal of Neural Engineering》期刊上。通讯作者是Peng Zhang，他所在的单位是华中科技大学自动化学院的神经接口与康复技术研究中心。 关键词： intracortical brain–machine interface, decoder calibration, transfer learning,domain adaptation, rhesus macaque, ultra small sample set

思维导图

总结

本文的研究旨在通过使用超小的电流样本集来进行解码器校准，以改进颅内脑机接口（intracortical brain–machine interface，iBMI）的性能。研究团队使用了两只成年雄性恒河猴进行实验，通过空间伸手和抓握任务来评估解码器的性能。

研究团队提出了一种新的解码器校准方法，称为PDA方法，该方法基于迁移学习和主成分分析。与大多数迁移学习研究不同的是，本研究的目标数据是超小的样本集，因此迁移学习的方向是从目标数据到源数据。通过利用大量的历史数据，仅使用超小的当前样本集（每个类别的五次试验），使用PDA方法校准的解码器在性能上比使用其他校准方法要好得多且更稳健。使用PDA方法，解码器校准所需的当前样本数比现有的iBMI要少。因此，减少了收集新训练数据所需的时间，并提高了性能。

实验中的所有操作和手术程序都经过了中国军事医学科学院的机构动物护理和使用委员会的批准。实验使用了两只成年雄性恒河猴，它们在实验装置的引导下进行空间伸手和抓握任务，同时坐在一个灵长类动物椅子上，左臂被限制。实验装置包括位置装置和形状装置，它们分别用于不同的任务。

研究团队进行了多个实验，比较了PDA方法与其他校准方法的性能。结果表明，使用PDA方法校准的解码器在所有会话中都能实现更好和更稳健的性能。虽然每天需要重新校准解码器，但对当前样本集的需求减少了，从而显著减少了每天重新训练的时间，这对于将iBMI应用于临床非常重要。

概括来说，本研究提出了一种新的解码器校准方法，通过使用超小的电流样本集，利用大量的历史数据来提高iBMI的性能。该方法在实验中取得了良好的效果，为将iBMI应用于临床提供了重要的基础。

Introduction

本文的Introduction部分通过对脑机接口（brain-machine interface，BMI）的介绍引出了研究选题。首先，介绍了脑机接口的概念，即通过记录和解码大脑活动来实现对外部设备的控制。然后，指出了脑机接口在医学和康复领域的重要性，可以帮助丧失肢体功能的人恢复日常生活的能力。

接下来，介绍了目前脑机接口面临的挑战。其中一个挑战是解码器的校准，即如何将大脑信号转化为对外部设备的控制指令。传统的解码器校准方法通常需要大量的训练数据，这对于临床应用来说是一个问题，因为收集大量的训练数据需要时间和资源。

然后，引出了本研究的选题，即如何通过使用超小的电流样本集来改进解码器的校准。研究团队指出，大多数迁移学习研究都是从源数据到目标数据的方向，而本研究则相反，目标数据是超小的样本集，迁移学习的方向是从目标数据到源数据。通过利用大量的历史数据，研究团队提出了一种新的解码器校准方法，称为PDA方法，可以在只有超小的当前样本集的情况下实现更好和更稳健的性能。

通过引出解码器校准的挑战和本研究的选题，Introduction部分成功地引出主题，并为后续的研究内容和方法提供了背景和理论基础。

数据

本文的研究数据涉及神经信号记录和解码器校准。通过使用PCA和DA方法，研究团队能够降低数据的维度并减少历史数据和当前数据之间的分布差异。通过比较不同的校准方案，研究团队发现PDA方法在所有会话中都能实现更好和更稳

数据涉及两只成年雄性恒河猴在进行空间伸手和抓握任务时的神经信号记录。实验中，研究团队使用了两只猴子进行多个数据会话，每个会话包含多个数据集，每个数据集对应于连续的几天记录的神经信号。

在数据分析方面，研究团队使用了主成分分析（PCA）和领域适应（DA）方法。首先，他们对大量的历史数据进行了PCA，得到了一组特征向量，用于将数据投影到低维特征空间中。这样做的目的是减少数据的维度，并捕捉神经表示的空间和时间特征。

然后，研究团队使用DA方法来解决历史数据和当前数据之间的分布差异问题。他们假设存在一个领域不变的特征空间，并通过将当前数据和历史数据都投影到这个特征空间中来逼近这个特征空间。为了实现这一点，研究团队使用了PCA方法来确定特征空间，并将历史数据和当前数据都投影到这个特征空间中。

在数据筛选方面，研究团队使用了不同的解码器校准方法，并比较它们的性能。他们提出了四种校准方案：完整历史会话校准（CPC）、短期当前会话校准（SCC）、混合会话校准（MC）和基于PCA的领域适应（PDA）方法。为了评估这些校准方案的性能，研究团队使用了不同数量的当前样本集进行解码器校准，并计算了分类准确率。他们还使用了自助法来计算分类准确率的置信区间。

根据分类准确率和所需的当前样本集数量，研究团队评估了不同校准方案的性能。结果表明，PDA方法在所有会话中都能实现更好和更稳健的性能，而且只需要超小的当前样本集。这意味着PDA方法可以更有效地利用历史数据来进行解码器校准，从而减少每天重新训练的时间。

方法

本文的方法部分主要使用了PCA和DA方法来降维和解决历史数据和当前数据之间的分布差异问题。此外，研究团队还提出了不同的解码器校准方案，并使用自助法进行数据筛选和性能评估。这些方法的应用和实施为解码器的校准和神经信号的转化提供了有效的方法和框架。

下面将详细介绍这些方法的应用和实施。

• 1. 主成分分析（PCA）：PCA是一种常用的降维方法，用于将高维数据映射到低维空间。在本文中，研究团队使用PCA对大量的历史数据进行降维，得到一组特征向量。这些特征向量用于将数据投影到低维特征空间中，以捕捉神经表示的空间和时间特征。
• 2. 领域适应（DA）：DA是一种用于解决领域之间分布差异的方法。在本文中，研究团队使用DA方法来解决历史数据和当前数据之间的分布差异问题。他们假设存在一个领域不变的特征空间，并通过将当前数据和历史数据都投影到这个特征空间中来逼近这个特征空间。为了实现这一点，研究团队使用了PCA方法来确定特征空间，并将历史数据和当前数据都投影到这个特征空间中。
• 3. 解码器校准方法：研究团队提出了四种解码器校准方案，分别是完整历史会话校准（CPC）、短期当前会话校准（SCC）、混合会话校准（MC）和基于PCA的领域适应（PDA）方法。这些方法用于校准解码器，以将神经信号转化为任务相关的输出。
• 4. 数据筛选：为了评估不同校准方案的性能，研究团队使用了不同数量的当前样本集进行解码器校准，并计算了分类准确率。他们还使用了自助法来计算分类准确率的置信区间。通过比较不同校准方案的分类准确率和所需的当前样本集数量，研究团队评估了这些方案的性能。

成果与发现 

本文的研究结果表明PDA方法是一种有效的解码器校准方法，可以减小历史数据和当前数据之间的分布差异，并在仅使用超小的当前样本集时实现更好和更稳健的性能。这些结果对于iBMIs的临床应用具有重要意义，可以减少每天重新训练解码器所需的时间，提高系统的实用性。本文的研究结果部分包括以下重要成果和发现：

• 1. 发现历史数据和当前数据之间存在分布差异：通过比较不同数据集之间的样本分布和解码结果，研究团队发现历史数据和当前数据之间存在明显的分布差异。这意味着仅使用历史数据来校准解码器可能无法正确解码当前数据。
• 2. 提出了PDA方法来解决历史数据和当前数据之间的分布差异：为了解决历史数据和当前数据之间的分布差异问题，研究团队提出了PDA方法。该方法使用PCA来降维历史数据，并将历史数据和当前数据都投影到相同的特征空间中，从而减小了它们之间的分布差异。
• 3. PDA方法在解码器校准中的有效性：通过比较不同的解码器校准方案，研究团队发现PDA方法在所有会话中都能实现更好和更稳健的性能。使用PDA方法校准的解码器在仅使用超小的当前样本集时就能实现比其他校准方法更好的性能。
• 4. 减少了解码器校准所需的当前样本集数量：使用PDA方法，解码器校准所需的当前样本集数量减少了90%。这意味着每天重新训练解码器所需的时间大大减少，这对于临床应用中的iBMIs非常重要。

 讨论

本文的讨论部分主要围绕PDA方法的有效性和实用性展开，并与已有研究进行比较。以下是对讨论部分的总结：

• 1. PDA方法的有效性：研究结果表明，PDA方法在解码器校准中能够显著减小历史数据和当前数据之间的分布差异，并提高解码器的性能和稳健性。这与已有研究的结果一致，证明了PDA方法的有效性。
• 2. 与其他解码器校准方法的比较：与传统的解码器校准方法相比，PDA方法在使用超小的当前样本集时能够实现更好的性能。这与已有研究的结果一致，进一步证明了PDA方法的优越性。
• 3. 实用性的提高：PDA方法能够显著减少每天重新训练解码器所需的时间，从而提高了iBMIs系统的实用性。这对于临床应用具有重要意义，可以减少患者的负担和提高系统的可接受性。

然而，本文的研究也存在一些不足和待解决的问题：

• 1. 数据集的选择：本文的研究仅使用了两只猴子的数据集进行验证，因此需要进一步扩大样本量和验证不同种类的数据集，以验证PDA方法的普适性和可靠性。
• 2. 时间分离的影响：本文的研究结果显示，PDA方法在处理时间分离较大的数据时性能下降。因此，需要进一步研究如何应对时间分离较大的数据，以提高PDA方法的适用性。
• 3. 其他类型数据的适用性：本文的研究主要集中在iBMIs的解码器校准上，对于其他类型的神经生理数据（如LFP）或连续运动参数的解码，PDA方法是否同样适用仍需进一步研究。

综上所述，尽管PDA方法在解码器校准中取得了良好的效果，但仍需要进一步研究来验证其普适性和可靠性，并探索如何应对时间分离较大的数据和其他类型的神经生理数据。这些问题的解决将进一步提高PDA方法的实用性和适用性。