استفاده از ماشین یادگیری برای بهبود کالیبراسیون رابط عصبی و ثبات

روش های کالیبراسیون سنتی متکی بر جلسات تناوبی دستی دوره ای است که در طی آن کاربر خواسته می شود مجموعه ای از وظایف پیش تعریف شده را انجام دهد در حالی که سیستم پارامترهای رمزگشایی آن را به سرعت از بین می برد، این فرآیند زمان بر است، چربی برای کاربر، و می تواند عملیات صاف دستگاه را مختل کند.

چگونه یادگیری ماشین آدرس رابط عصبی را می دهد

یادگیری ماشین یک خانواده از تکنیک هایی را فراهم می کند که می تواند به طور مداوم با تغییر آمار سیگنال سازگار شود، الگوهای حرکت را شناسایی کند و حتی پیش بینی تخریب قریب الوقوع قبل از اینکه بر عملکرد تأثیر بگذارد، مزیت کلیدی توانایی استخراج روابط با سطح بالا و غیر خطی از داده های عصبی است - روابطی که توسط مدل های خطی یا دستی از دست رفته است.

فیلتر کردن سازگار و دنائوینگ

یک گام اساسی در پردازش سیگنال عصبی تمیز کردن ضبط های خام است.[۵] فیلترهای باند سنتی ثابت هستند و نمی توانند امواج عصبی را از مصنوعات گذرا یا سر و صدای محلی جدا کنند.کدهای خودکار مبتنی بر ML در بخش بزرگ ضبط های عصبی تمیز و پر سر و صدا آموزش داده می شوند؛ در زمان اجرا، آنها می توانند سیگنال عصبی اساسی را بازسازی کنند در حالی که سرکوب این روش دقیق، [Fto] گزارش های عمیق را بهبود می بخشد.

شبکه های عصبی در حال حاضر (RNNs) و شبکه های همزمان تکامل (TCNs) می توانند وابستگی های زمانی را در سیگنال های عصبی مدل کنند.با یادگیری شکل معمول پتانسیل های عمل و آمار نویز پس زمینه، این مدل ها می توانند با تغییرات تدریجی سازگار شوند - به عنوان مثال، افزایش آهسته در تخلیه الکترود - با تنظیم پارامترهای داخلی خود در یک روش آنلاین.

حذف فعالیت عصبی با یادگیری عمیق

هسته بسیاری از رابط های عصبی رمزگشایی است که فعالیت عصبی را به دستورات ترجمه می کند - مانند حرکت سرسر و یا سرعت اندام مصنوعی. رمزگشایی های یادگیری عمیق عملکرد برتر در مقایسه با رمزگشایی خطی (مانند فیلتر Wiener) در انجام داده های عصبی با ابعاد بالا و غیر ایستگاهی نشان داده اند.

شبکه های عصبی کانولو (CNNs) می توانند الگوهای فضایی را در سراسر آرایه های الکترود استخراج کنند، در حالی که شبکه های حافظه کوتاه مدت (LSTM) دینامیک زمان زمان از نرخ شلیک را ثبت می کنند. یک مطالعه برجسته از کنسرسیوم BrainGate نشان داد که یک رمزگشایی مکرر شبکه عصبی می تواند عملکرد بالا را برای بیش از 1000 روز بدون تکرار تکرار کند، حتی به عنوان نورون های فردی که خواص تنظیم کننده وزن آن را تغییر می دهند.

تقویت یادگیری برای بهینه سازی پارامتر دینامیک

فراتر از رمزگشایی، پیکربندی فیزیکی رابط عصبی می تواند از طریق یادگیری تقویت (RL) بهینه سازی شود (به عنوان مثال، در آرایه های چند الکترونی، انتخاب که کانال ها برای ضبط از و که پارامترهای محرک برای اعمال می تواند به عنوان یک فرآیند تصمیم گیری مارکوف تنظیم شود. عامل RL یک سیاست را یاد می گیرد که اقدامات را انتخاب می کند - مانند تنظیم عمیق الکترود، تغییر دادن، یا تغییر دقت مرجع مختلف (به حداکثر رساندن ثبات سیگنال).

محققان دانشگاه پیتسبورگ از یک شبکه (FLT:0 عمیق Q-شبکه برای انتخاب خودکار بهترین پیکربندی الکترود برای یک رابط مغز-کامپیوتر استفاده کردند، دستیابی به 30٪ بهبود در عملکرد کد سازی پایدار در مقایسه با انتخاب ثابت کانال.این رویکرد نیاز به تنظیم متخصص انسان را کاهش می دهد و می تواند به تغییرات در زمان واقعی پاسخ دهد.

سیستم های پیش بینی و خود-C طالبانing

یکی از کاربردی ترین کاربردهای ML در رابط های عصبی، نگهداری پیش بینی کننده است.با نظارت بر ویژگی های سیگنال - مانند عدم نظارت، دامنه، کف سر و صدا و رمزگشایی نرخ خطا - یک مدل یادگیری ماشین می تواند پیش بینی کند که یک دستگاه احتمالاً در حال کاهش یا شکست است.

به عنوان مثال، یک طبقه بندی تصادفی جنگل که در داده های تاریخی از الکترودهای کاشته شده آموزش دیده است می تواند نشانه های اولیه از تزریق گلال یا حرکت میکرو را شناسایی کند، باعث ایجاد یک اصلاح یا یک روال جبران نرم افزار قبل از اینکه کاربر متوجه هر گونه خرابی شود. Anomaly با استفاده از کدرهای مختلف خودکار نشان داده شده است برای تشخیص تغییرات ظریف در شکل عصبی شکل موج که قبل از از از از از از از از از از از از از دست دادن ساعت یا از از از از از دست دادن کیفیت سیگنال.

سیستم های خود کالیبره این مدل های پیش بینی شده را با یک حلقه یادگیری فعال ترکیب می کنند، زمانی که سیستم احتمال بالایی از افت عملکرد را تشخیص می دهد، می تواند یک توالی کالیبراسیون کوتاه و غیر مزاحم را آغاز کند - شاید از کاربر بخواهد چند حرکت خاص را تصور کند - و پارامترهای رمزگشایی را به روز کند.این اتوماسیون به طور چشمگیری بار در کاربران کاهش می دهد، ایجاد رابط های عصبی برای استفاده روزمره بیشتر عملی است.

پیشرفت های اخیر تحقیقات و اجرای واقعی جهانی

چندین گروه تحقیقاتی و شرکت های قابل توجه اثربخشی کالیبراسیون تطبیقی ML-based را در سیستم های ایمپلنت عصبی واقعی نشان داده اند.

در سال 2022، کنسرسیوم BrainGate یک کارآزمایی بالینی را گزارش داد که در آن شرکت کنندگان تتراپلاگیک از یک شبکه عصبی مکرر برای کنترل بازوی رباتیک تا هفت ساعت مداوم با تنها یک رویداد اصلاح خودکار در هر جلسه [FLT 1] استفاده کردند. سیستم یک رمزگشایی مبتنی بر فیلتر Kalman را به کار گرفت که با یک شبکه عصبی کوچک برای جبران جلسات سیگنال، تقویت شد.