[論文レビュー] Plug-and-Play Stability for Intracortical Brain-Computer Interfaces: A One-Year Demonstration of Seamless Brain-to-Text Communication

Chaofei Fan, Nick Hahn+7 more|PubMed|Nov 6, 2023

EEG and Brain-Computer Interfaces参考文献 27被引用数 19

ひとこと要約

CORPは言語モデルによって修正された疑似ラベルを用いてiBCI handwritingデコーダの継続的オンライン再較正を可能にし、監視付きデータなしで403日間の長期的な安定性を達成します。

ABSTRACT

Intracortical brain-computer interfaces (iBCIs) have shown promise for restoring rapid communication to people with neurological disorders such as amyotrophic lateral sclerosis (ALS). However, to maintain high performance over time, iBCIs typically need frequent recalibration to combat changes in the neural recordings that accrue over days. This requires iBCI users to stop using the iBCI and engage in supervised data collection, making the iBCI system hard to use. In this paper, we propose a method that enables self-recalibration of communication iBCIs without interrupting the user. Our method leverages large language models (LMs) to automatically correct errors in iBCI outputs. The self-recalibration process uses these corrected outputs ("pseudo-labels") to continually update the iBCI decoder online. Over a period of more than one year (403 days), we evaluated our Continual Online Recalibration with Pseudo-labels (CORP) framework with one clinical trial participant. CORP achieved a stable decoding accuracy of 93.84% in an online handwriting iBCI task, significantly outperforming other baseline methods. Notably, this is the longest-running iBCI stability demonstration involving a human participant. Our results provide the first evidence for long-term stabilization of a plug-and-play, high-performance communication iBCI, addressing a major barrier for the clinical translation of iBCIs.

研究の動機と目的

• 頻繁な監視付き再較正を必要とさせる皮質内BCIデコーディングの非定常性に対処する。
• オンラインで作業を中断せずに自動的に動作する自己再較正フレームワークを開発する。
• 言語モデルを活用してiBCI出力を修正し、疑似ラベルを用いてデコーダを継続的に再訓練する。
• シードモデルの品質と再較正のデータ要件を長期的な安定性の観点から定量化する。

提案手法

• CORP: Continual Online Recalibration with Pseudo-labels for iBCIsを導入する。
• 言語モデルを用いてiBCI出力を自動的に補正し、疑似ラベルを生成する。
• 再生バッファを用いた疑似ラベルでデコーダをオンラインの確率的勾配降下法で再訓練する。
• 頑健性を向上させるためデータ拡張（特徴量へのノイズと平均値オフセット）を組み込む。
• 損失閾値と学習率に基づく停止基準を採用して、精度と再較正時間のバランスをとる。
• 再療法なし・FA Stabilizerを含むベースラインと比較してオフラインおよびオンラインの性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 CORPは長期間の非定常運用において監視付き再訓練なしで高いiBCIデコード精度を維持できるか。
• RQ2 LM補助の疑似ラベル付けは継続的オンライン再較正の性能にどのように影響するか。
• RQ3 長期的な安定性のためのデータ要件（シードデータ、再較正サンプル）はどの程度か。
• RQ4 CORPは handwriting iBCIにおける教師なしの分布整合手法（例：FA Stabilizer）と比較してどうか。
• RQ5 再較正時間と精度のトレードオフはどうなるか。

主な発見

• CORPは403日間で平均オンライン handwritingデコード精度を93.84%（±2.28）を維持した。
• 初日CERはシードモデルで3.22%だったが、CORPを適用するとCERは低いまま（オンラインブロックで6.35%±1.75%）で日を跨いでも安定していた。
• CORPのオフラインWERは3.68%（95% CI [3.21, 4.76]）；オンラインWERはCORPで6.16、ノー再較正では26.51%だった。
• 真のラベルを用いたCORPはWERを2.0%まで達成できる可能性を示しており、偽ラベルでこれを近づけることができる。
• LM補正済みの疑似ラベルは再較正の精度に最も寄与した。LMなし（No Language Model）でのアブレーションはCERを19.22%へ高めた。
• 再較正には少量のデータ（ substantial recoveryに対して≈10文程度）が必要であり、約10日分のシードデータからするとそれ以上の効果は頭打ちになる。