Europe PMC（brain-computer interface · PubMed）· Kim H, Kim JS.·· 24 天前AI 评分33
生成对抗网络合成 M1 信号增强非侵入式运动脑机接口数据集
Generative Enhancement of Noninvasive Datasets for Motor Brain-Computer Interface by Synthesizing Task-Relevant Neural Signals.
AI 导读
研究团队提出一种 GAN 框架，从功能相关皮层区域合成初级运动皮层（M1）人工神经信号波形，以扩充神经信号数据集中的任务相关特征。基于目标导向手臂伸展任务的 MEG 记录，用 GAN 合成 M1 信号增强个体数据集后，运动解码性能显著提升约 10%（p < 0.05），且在没有真实 M1 信号时仍能维持。该方法还推广至运动想象 BCI 竞赛数据集以提升分类准确率。
AI 要点
团队
作者为 Kim H、Kim JS，所属机构原文未提及。
主要结果
用 GAN 合成 M1 信号增强个体数据集后，解码性能提升约 10%（p<0.05）；即使没有真实 M1 信号，提升仍能维持。
解决什么问题
高自由度 BCI 解码连续运动（如肢体运动学）困难，原因是单个神经信号数据集内任务相关神经特征有限。
方法
提出 GAN 框架，从功能相关皮层区域合成初级运动皮层（M1）人工神经信号波形，用 MEG 目标导向手臂伸展任务数据增强后经 DNN 解码。
局限
从研究设计看，基于 MEG 记录，未涉及侵入式信号；原文未提及受试者数量。
AI 依据原文整理，未经人工核对。
来源：Europe PMC（brain-computer interface · PubMed） · doi.org