Framework di Apprendimento Autogestito Guidato dall'Incertezza per Interfacce Cervello-Macchina a Lungo Termine

Viene proposto un nuovo framework chiamato Uncertainty-guided Self-paced Cycling (UnSPC) per affrontare la deriva neurale nelle interfacce cervello-macchina (BMI) invasive. La deriva neurale degrada le prestazioni di decodifica nel tempo, richiedendo frequenti ricalibrazioni. I metodi esistenti che utilizzano solo l'adattamento del dominio (DA) o la generalizzazione del dominio (DG) non riescono a catturare i cambiamenti di distribuzione a grana fine tra i sottodomini neurali. UnSPC sinergizza DA e DG per il raffinamento del dominio target, impiegando un meccanismo di Pseudo-etichettatura Autogestita Guidata dall'Incertezza (UnSPL) per estrarre iterativamente pseudo-etichette affidabili e gestire la deriva neurale dei sottodomini. Il framework mira a migliorare l'implementazione a lungo termine delle BMI per la riabilitazione, il potenziamento delle prestazioni umane e la robotica centrata sull'uomo.