Inhalte
Studiendesign
Forscher analysierten motorische Cortex-Aufzeichnungen von zwei Rhesusaffen, die lernten, einen Cursor mit einer Gehirn-Computer-Schnittstelle zu steuern. Sie verglichen das Lernen über Sitzungen hinweg unter Verwendung adaptiver versus fester Decoder-Zuordnungen und erstellten ein rekurrentes neuronales Netzwerkmodell, um zu untersuchen, wie Decoder-Änderungen das Lernen beeinflussen könnten.
Was die Ergebnisse zeigen
Mit adaptiven Decodern konzentrierte sich aufgaberelevante Information im Laufe der Übung auf einen kleineren Teil der Neuronen und Aktivitätsmodi der Population. Diese Verdichtung war in den begrenzten Vergleichen mit festen Decodern nicht zu beobachten. Das Modell deutete darauf hin, dass die Anpassung des Decoders selbst zur veränderten Repräsentation beitragen kann, möglicherweise indem sie die Fehler-Signale verändert, die beim Lernen verwendet werden.
Grenzen
Die physiologischen Experimente wurden an zwei Affen unter Verwendung einer Cursor-Aufgabe durchgeführt; das Modell ist erklärend und beweist nicht, dass derselbe Prozess bei menschlichen Nutzern abläuft. Die Arbeit bezieht sich auf neuronales Lernen während der BCI-Kontrolle, nicht auf klinische Ergebnisse oder eine nachgewiesene Verbesserung der Nutzbarkeit von Hilfsgeräten.
Diese auf Quellen basierende Nachrichtenübersicht und Übersetzung wurde mit Unterstützung von KI erstellt. Quellverweise, Nachrichten-Datum und die Grenzen der Forschung sind klar angegeben; es wird kein unabhängiges medizinisches Gutachten beansprucht. Nachrichtenvorbereitungsmethode.
Quellen
- Assistive algorithms influence neural representations in motor brain-computer interfaces — Nature Communications ·
Forschungsnachrichten sind keine medizinische Beratung oder Anwendungsempfehlung. Bewerten Sie die Ergebnisse zusammen mit Studiendesign, Teilnehmern und Einschränkungen. Veröffentlichungsrichtlinien.
← Alle Nachrichten