脑机接口目前有一些明显的缺陷，这使得无法在日常场景中得到广泛运用，例如在进行监督学习时，被试常被要求进行特定的动作。但这会出现几个问题：

第一，有时由于接受能力有限，被试无法准确表达出所要求的动作，就是所谓的“脑子跟上了但手没跟上”。

第二，在进行实验时，尤其是进行复杂的MI（motor imagination)任务时，要控制住环境变量，即要保证有一个稳定的实验环境。

第三，由于监督学习的实验已经指定好动作了，因此被试无法自由地按照自己的意愿进行一些动作，这就使得BCI的动作输出很有限。

第四，由于被试的身体状况，心理状况等一直在变化，这使得解码器的解码准确性发生改变，为了使解码器的解码准确率保持不变，就需要不停地进行调试。

鉴于以上的局限性，目前许多策略都在试图避免或者减少训练。有些实验选择利用迁移学习，通过直接使用或更新为以前用户培训的解码器，来减少或消除对新用户培训课程的需求。迁移学习也可以使用以前任务的数据对解码器进行新任务的培训。但是在应对不同的任务目标时，迁移学习得到的结果，其分类准确性能并不能满足需求。还有一些实验选择使用无监督学习，因为不需要进行标记或者训练更新一个新的解码器，但无监督学习更加适用于已训练好的解码器，完全无监督学习只适合用于不那么复杂的分类任务，当需要分类的种类复杂之后，无监督解码器的分类效果也会较差。

图 1 自动自适应“auto-adaptive BCI”(aaBCI)

本文的基本思路是用BCI控制任务性能的神经相关性来调控解码器。【1-5】目前使用这种思路的实验均为模拟实验，且为二元分类，除去Gürel,T al.(2012)建议使用任务性能信号来对具有多维连续输出的解码器进行适应，然而，这项研究是在完全模拟的条件下进行的，即它们的模拟连续效应器由模拟用户的随机最优控制器控制，而不是由真实主体的神经模式解码控制。

本文建议对于复杂的MI事件，应当在连续时间内进行评估continuous in time motor task performances (cMTP) 而不是锁定事件(event-locked motor task performance, eMTP) ，只看某些事件发生的时间。cMTP的效果比eMTP的效果更好，因为前者可以对每个时间点的性能进行评估，但后者只能对每个测量点进行性能评估，实际情况中并不能精确地将时间和事件对齐。因此本文建议当使用自动自适应时，cMTP应优先于eMTP，特别是对于复杂的MI任务时。

当一个人在执行任务时认识到错误时，可以将与错误相关的电位(ErrP)作为响应进行测量。研究表明，在具有时间离散反馈的任务中，ErrP可以被自动检测出来，错误相关的电位被广泛应用于错误纠正或适应。检测cMTP神经相关性的最佳大脑区域有待讨论。ErrP是研究最多的任务表现神经相关性。虽然还没有研究调查它，但对ErrPs负责的大脑结构也可能产生cMTP神经相关性。

无论信号来自哪个大脑结构，aaBCI框架都会从神经记录中估计cMTP，估计的cMTP用于创建有标签的训练样本，以校准或更新BCI控制解码器，被估计为正确或错误且高度确定的样本将实时与控制解码器各自的输出相结合，以创建估计标签。aaBCI使用一种可以在线和实时运行的训练算法，以便在自定向使用BCI期间使用估计标签在线适应控制解码器。该研究的第二个目标是对自动自适应BCI的概念进行验证，并测试其在模拟在线使用中的性能。

本文的实验流程：

对四肢瘫痪的受试者左右两侧感觉运动皮层的ECoG进行记录，总共获得两个数据集，每个数据集包括一个或者两个BCI范式：具有多个离散输出（图C所示，四级BCI，受试者必须使用运动图像来激活和保持四种相互排斥的运动状态：左右手的运动或者是左右手的旋转）或者具有多个连续输出（根据光标进行移动）。

研究结果：

检测每种范式感觉运动皮层中的cMTP神经相关性，再五重交叉验证下，cMTP的AUC评分，范式一为0.5677± 0.0427，范式二为0.6479± 0.0202，在模拟实验中，范式一的AUC得分为70.5%± 8.1%，范式二的AUC得分为71.5%± 7.4%

总结：

本文发现ECoG中cMTP与感觉运动皮层的神经相关性，且本文给出了这种相关性合理的解释，以及对于预测行为与实际不匹配的另一种解决思路，即可以通过观测多巴胺浓度的峰值来更好地匹配预测行为与实际行为。

本研究中执行的概念证明表明，自动自适应BCI框架（aaBCI)可用于训练离散（基于分类）和连续控制BCI的控制解码器，如经验所示，aaBCI训练的控制解码器的性能低于通过监督学习方式训练时。事实上，由于cMTP解码器没有完全准确，aaBCI框架中使用的估计标签肯定会有一些不确定性。相比之下，如果我们假设用户正确执行了所需的任务，则完全监督培训中使用的标签是准确的。标签准确性的这种差异至少是监督和aaBCI解码器培训之间性能差异的部分原因。

此外，aaBCI训练的过程中丢弃了被足够确定是分类错误的样本，导致用于训练受监督控制解码器和aaBCI的样本数量出现差异。因此除去标签标记的准确性问题，训练数据集之间的大小差异也可能是两种方式分类准确性出现差异的原因。然而，本文假设，从长远来看，aaBCI和基于监督的培训之间的绩效差距可能较小，在自我指导使用期间，aaBCI仍然可以标记数据并使用它来更新其控制解码器，而受监督训练的控制解码器将保持固定。aaBCI训练的控制解码器训练数据集的大小最终将超过监督训练数据集的大小。此外，使用aaBCI训练的控制解码器可能会减少分类任务改变所带来的影响，因为它们会持续更新，只要cMTP解码器保持有效。

本研究中提出的aaBCI框架不是一个完全不受监督的系统，因为需要标记数据来训练cMTP解码器。由于cMTP解码器是以监督的方式培训的，因此仍然需要专门的训练解码器阶段。然而，即使cMTP解码器必须偶尔更新或重新训练，更新二分类cMTP解码器也应该比更新或重新训练控制更大自由度的复杂控制解码器更加快速且简便。此外，本研究中使用的交叉验证方案表明，随着时间的推移，在运动感觉皮层中检测到的cMTP相关性至少部分稳健。交叉验证折叠由不同的记录会话组成，因此cMTP解码器并不总是在临时关闭的数据集上进行训练和测试。此属性对aaBCI的长期自适应能力很有价值，因为它减少了定期更新aaBCI的cMTP解码器的需求。在运动感受皮层中检测到的cMTP神经相关性在时间上的稳健性与经典研究的误差相关神经相关性【6，7】的稳健性。

Reference

[1]Gürel,T.&Mehring,C.Unsupervisedadaptationofbrain–machineinterfacedecoders.Front.Neurosci.6,164(2012).

[2]Llera, A., Gómez, V. & Kappen, H. J. Adaptive classification on brain–computer interfaces using reinforcement signals. Neural Comput.24, 2900–2923 (2012).

[3]Llera,A.,vanGerven,M.A.J.,Gómez,V.,Jensen,O.&Kappen,H.J.Ontheuseofinteractionerrorpotentialsforadaptivebrain computer interfaces. Neural Netw. 24, 1120–1127 (2011).

[4]Zeyl,T.J.&Chau,T.Acasestudyoflinearclassifiersadaptedusingimperfectlabelsderivedfromhumanevent-relatedpotentials. Pattern Recogn. Lett. 37, 54–62 (2014).

[5]J.Blumberg,etal.Adaptiveclassificationforbrain–computerinterfaces.In200729thAnnualInternationalConferenceoftheIEEE Engineering in Medicine and Biology Society 2536–2539 (2007).

[6]Chavarriaga, R. & Millan, J. D. R. Learning from EEG error-related potentials in noninvasive brain–computer interfaces. IEEE Trans. Neural Syst. Rehabil. Eng. 18, 381–388 (2010).

[7]Olvet,D.M.&Hajcak,G.Reliabilityoferror-relatedbrainactivity.BrainRes.1284,89–99(2009).

仅用于学术分享，若侵权请留言，即时删侵！

更多阅读

马斯克合伙人“造出”大脑皮层 有望进行人体测试

人类“第六感”首次被证实，研究发现人脑具有磁场感应能力

上海交大教授卢策吾深度解读“具身智能”

预见2023：《2023年中国脑机接口行业全景图谱》

这个脑机接口实现每分钟超60个单词的意念说话

脑机接口公司Precision Neuroscience完成了B轮4100万美元

哈佛研究人员说：柔性水凝胶电极也许是脑机接口的下一步

人类意识的大脑模式

加入社群

欢迎加入脑机接口社区交流群，

探讨脑机接口领域话题，实时跟踪脑机接口前沿。

加微信群：

添加微信:RoseBCI【备注：姓名+行业/专业】。

加QQ群：913607986

欢迎来稿

1.欢迎来稿。投稿咨询，请联系微信：RoseBCI

2.加入社区成为兼职创作者，请联系微信：RoseBCI

点个在看祝你开心一整天!