Real-time meerwegsdecodering van uitgevoerde, geobserveerde en ingebeelde bewegingselectrocorticografie ondersteund door avatargebaseerde gebruikerstraining

Brain-Computer Interfaces (BCI's) decoderen hersenactiviteit met het doel een communicatie tot stand te brengen
kanaal dat niet afhankelijk is van spiercontrole. BCI's vertrouwen meestal op EEG-signalen die zijn verkregen van de
de hoofdhuid van het subject of op elektrofysiologische signalen van hersenimplantaten. De laatste leveren een superieur op
decodeerprestaties, maar omdat het implantaat het corticale weefsel beschadigt, is stabiliteit op lange termijn een signaal
zorg. EEG vereist geen operatie, maar de doorvoer van informatie van de BCI's is vrij laag en
hun geschiktheid voor onafhankelijk dagelijks gebruik eerder beperkt.
Electrocorticography (ECoG) biedt nieuwe perspectieven voor BCI. Alhoewel nauwkeurigheid, stabiliteit op lange termijn en
onafhankelijk gebruik is al aangetoond, wat er nog steeds ontbreekt, is de mogelijkheid om de vinger of de hand te bedienen
bewegingen van de zelfgenoegzame maar veronderstelde tegenhangers van de patiënt. Dit vat ook de hoofdtekst samen
doelstelling van dit project.
Maar motorische beeldvorming is een vaardigheid die moet worden geleerd. Om deze uitdaging aan te gaan, zullen we: 1) bieden
natuurlijke feedback naar de patiënt door het tonen van een hand "avatar" bestuurd door motorische beelden; en 2)
vul de decoder aan met wat onder geobserveerde beweging werd geleerd maar aangepast door de
het vermogen van de patiënt om controle te krijgen. Dit vereist een nieuw type zelfgestuurde ECoG-decoder: een dat is
in staat om te helpen en gelijke tred te houden met de opleiding van het onderwerp. We zullen een iteratieve tensor-gebaseerde decoder ontwikkelen
met automatische rangselectie om de juistheid te maximaliseren en tegelijkertijd computergebruik en opslag te beperken
kosten om on-line prestaties te garanderen.