[论文解读] Adversarial Domain Adaptation for Stable Brain-Machine Interfaces

Ali Farshchiansadegh, Juan Álvaro Gallego+4 more|arXiv (Cornell University)|Sep 28, 2018

EEG and Brain-Computer Interfaces参考文献 34被引用 28

一句话总结

该论文提出了一种对抗性域自适应网络（ADAN），通过在不同日子之间对神经信号残差的概率分布进行对齐，以稳定长期脑机接口（BMIs），从而减少每日校准的需求。ADAN在仅使用少量数据的情况下，优于典型相关分析（CCA）和Kullback-Leibler散度最小化方法，在仅使用1分钟适应数据的情况下，于第16天实现了具有统计学意义的6%性能提升。

ABSTRACT

Brain-Machine Interfaces (BMIs) have recently emerged as a clinically viable option to restore voluntary movements after paralysis. These devices are based on the ability to extract information about movement intent from neural signals recorded using multi-electrode arrays chronically implanted in the motor cortices of the brain. However, the inherent loss and turnover of recorded neurons requires repeated recalibrations of the interface, which can potentially alter the day-to-day user experience. The resulting need for continued user adaptation interferes with the natural, subconscious use of the BMI. Here, we introduce a new computational approach that decodes movement intent from a low-dimensional latent representation of the neural data. We implement various domain adaptation methods to stabilize the interface over significantly long times. This includes Canonical Correlation Analysis used to align the latent variables across days; this method requires prior point-to-point correspondence of the time series across domains. Alternatively, we match the empirical probability distributions of the latent variables across days through the minimization of their Kullback-Leibler divergence. These two methods provide a significant and comparable improvement in the performance of the interface. However, implementation of an Adversarial Domain Adaptation Network trained to match the empirical probability distribution of the residuals of the reconstructed neural signals outperforms the two methods based on latent variables, while requiring remarkably few data points to solve the domain adaptation problem.

研究动机与目标

• 解决由于植入电极中神经元丢失和更新导致的慢性脑机接口（BMIs）不稳定性问题。
• 通过最小化用户每日重新校准和重新训练BMIs的认知负担，减轻用户负担。
• 开发一种域自适应方法，实现在无需任务特定调优的情况下长期保持一致的性能表现。
• 评估在稳定BMIs解码方面，基于残差的对抗性域自适应是否优于基于潜在变量的域自适应方法。

提出的方法

• 端到端训练一个深度自编码器，以提取运动皮层神经活动的低维潜在表示，同时预测运动意图。
• 对抗性域自适应网络（ADAN）利用生成对抗框架，对齐不同日子之间重建神经信号残差的经验概率分布。
• ADAN通过最小化第0天与后续各天残差分布之间的Kullback-Leibler散度，以稳定潜在表示。
• 该方法使用判别器来区分初始日与后续日子的残差，迫使生成器生成与参考分布无法区分的残差。
• 域自适应应用于残差而非潜在变量，从而放大分布差异，实现更有效的对齐。
• 通过在多个日子上使用肌电图（EMG）预测准确率进行离线评估，与CCA、KLDM及固定接口基线方法进行比较。

实验结果

研究问题

• RQ1 基于神经信号残差的对抗性域自适应是否能提升长期慢性记录中的BMI稳定性？
• RQ2 ADAN是否优于基于潜在变量统计的典型域自适应方法（如CCA和KLDM）？
• RQ3 ADAN在BMIs域自适应中实现显著性能提升，所需的数据量是多少？
• RQ4 ADAN方法是否可泛化至非约束性运动，而无需任务特定适应？
• RQ5 ADAN是否能减少每日校准需求，同时在长时间内保持高解码准确率？

主要发现

• 与基线方法相比，ADAN在第16天实现了EMG预测准确率的统计学显著提升，提升6%（p < 0.01，单因素方差分析结合Tukey检验）
• ADAN仅需约1分钟的适应数据即实现性能提升，表现出极高的数据效率
• ADAN优于CCA和KLDM，二者表现相近但较低，表明基于残差的自适应优于基于潜在变量的对齐方法
• 该方法在无需用户重新训练的情况下稳定了BMI解码器，表明认知负荷降低，长期可用性提高
• ADAN框架成功对齐了不同日子之间神经残差的概率分布，实现了稳定的潜在表示与一致的解码性能
• 离线结果表明，ADAN使固定BMI解码器能够长期保持高性能，未来研究中有望实现更优的在线闭环性能