Framework di Apprendimento Auto-Supervisionato per la Decodifica Neurale nelle Interfacce Cervello-Macchina
Un nuovo articolo di ricerca propone Self-Supervised Consistency enhanced Disentangled Learning (SSCDL), un framework per affrontare la deriva neurale nelle Interfacce Cervello-Macchina (BMI). La deriva neurale causa un degrado delle prestazioni nel tempo, specialmente nelle BMI invasive. I metodi esistenti faticano a ottenere rappresentazioni neurali robuste e non tengono conto della variazione della deriva attraverso parametri motori come velocità, direzione e rapidità. SSCDL introduce un Decodificatore Neurale Potenziato dalla Consistenza (CND) che utilizza un meccanismo di consistenza insegnante-studente. L'articolo è pubblicato su arXiv con ID 2607.24023.
Fatti principali
- SSCDL è un framework di generalizzazione della decodifica neurale per BMI.
- La deriva neurale riduce le prestazioni delle BMI nel tempo.
- Le soluzioni esistenti hanno due principali svantaggi: difficoltà nell'apprendere rappresentazioni neurali robuste e trascurare la variazione della deriva attraverso parametri motori.
- CND utilizza un nuovo meccanismo di consistenza insegnante-studente.
- L'articolo è su arXiv con ID 2607.24023.
- Le BMI consentono il controllo di tecnologie assistive e robotiche.
- Le applicazioni includono riabilitazione, potenziamento motorio umano e robotica centrata sull'uomo.
- Il framework è mirato alle BMI invasive (iBMI).
Entità
Istituzioni
- arXiv