基于混合范式的脑机接口控制机械臂
脑机接口(BCIs)提供了从大脑到外部设备的直接路径,具有辅助和康复技术的巨大潜力。通过引导用户生成朝向解码器估计的最优分布的脑信号,提出了一种人机联合学习框架来加速内源性 BCIs 中的学习过程。通过 18 名健康受试者的在线和伪在线 BCI 实验,证明了所提出的联合学习过程在学习效率和效果上的优势。
Aug, 2023
采用先前任务学习得到的先验知识,我们提出了一种串联的前两名 Thompson 抽样算法 (Sequential Top-two Thompson Sampling, STTS),将广义多臂老虎机中的最佳臂序列问题视为一系列任务。这种算法取得了实质性的实验性改进。
May, 2023
使用视觉、用户意图推断和人机共同控制的框架,旨在解决机器人远程操作系统中的挑战,同时缓解大脑 - 计算机接口下的噪音和错误低维度运动指令问题。我们使用共同控制辅助框架对两个使用了颅内脑机接口的受试者进行实验,并取得了显着的性能提升,在门的开启、从容器中倒液体和在密集且杂乱的环境中使用新型物品等任务中进一步展示了我们架构的可扩展性。
Mar, 2015
通过基于肌肉想象的脑机接口数据集,我们观察到运动相关皮质电位的标定和控制任务之间存在较大差异,并且展示了一个基于标定数据训练的 CSP 机器学习模型,对脑机接口控制的驾驶数据进行了出人意料的准确预测。
Mar, 2024
我们提出了一种基于课程数据顺序的简单计划的知识蒸馏方法,以使学生能够逐渐从教师模型中建立知识,通过 α 计划控制。同时,我们采用 LDC/VSA 作为学生模型,以增强低延迟要求的微型 BCI 设备的设备内推理效率。实证结果表明,与其他方法相比,我们的方法在精度和硬件效率之间实现了更好的平衡。
Mar, 2024
提出了一种基于深度学习的框架,利用强化学习选择性注意机制和修改后的 LSTM 算法等方法,实现了人与物联网对象之间的认知互动,验证了该方法的有效性。
May, 2018
本文介绍一种基于深度学习的脑机接口技术,通过使用多组数据进行训练,实现了一定的性能,同时通过迁移学习,使得该技术能够用于不同用户,从而解决了目前脑机接口技术中需要耗费大量数据搜集的问题,该技术有望提高脑机接口技术的临床应用性和可行性。
Jan, 2023
本文提出了用户驱动的智能界面的新概念,它应用于各种领域中,如残疾研究,教育,家庭护理,医疗保健等,通过脑机交互等方式,利用多模态增强现实技术,以及通过机器学习等方法,分类实时神经物理反应的即时反馈,以克服当前可用用户界面的局限性,特别是针对功能残疾人群。即使在当前状态下,结合增强现实和脑机交互的接口也能提供高度适应性和个性化的服务。
Apr, 2017
本文提出了级联和并行卷积循环神经网络,以有效学习 EEG 数据流的组合时空表示。通过转换 EEG 数据流,将其转换成 2D 网格结构以及使用 LSTM 循环神经网络来提取 EEG 数据流的微妙时序依赖性。在大规模 MI-EEG 数据集上进行了广泛的实验,证明了该方法在准确性方面具有高达 98.3%的优越性,相对于基线方法和大多数最新的深度学习 EEG 识别模型,有着 18%的准确率提升。
Aug, 2017
本论文系统地研究了与脑信号分析相关的脑机接口的类型、深度学习技术以及应用领域,并对过去五年发表的 230 多篇文章进行了综述,同时讨论了深度学习在脑机接口中的挑战和未来方向。
May, 2019