基于隐马尔可夫模型的长期无监督光标式皮层内脑机接口校准

皮层内脑机接口（iBCI）因神经活动随时间变化而需要频繁重新校准，这会导致用户无法使用设备。本文引入了一种隐马尔可夫模型，用于推断用户在使用iBCI期间正在移动的目标，并使用这些推断的目标重新训练系统，从而实现对变化的神经活动的无监督适应。我们的方法在为期两个月的大规模闭环模拟以及为期一个月的人类iBCI用户闭环实验中，均优于分布对齐方法。利用一个跨越五年iBCI记录的离线数据集，我们展示了目标推断校准方法似乎能够进行长期无监督校准，而最近提出的数据分布匹配方法则似乎会随着时间的推移累积复合误差。我们在离线状态下表明，我们的方法在使用iBCI的家庭计算机用户的自由形式数据集上表现良好。我们的研究结果证明了利用任务结构将一个噪声解码器引导成一个高性能解码器的可能性，从而克服了脑机接口临床转化的主要障碍之一。