拥有能够准确在线解释意图的脑机接口系统仍然是脑机接口领域的一项挑战。
研究人员提出了一个因果的、数据高效的神经解码流程（neural decoding pipeline），它首先通过对短滑动窗口中的记录进行分类来预测意图。接下来，它对截至当前时间点的初始预测执行加权投票，以报告经过改进的最终预测。我们通过对从人类后顶叶皮层收集的尖峰神经活动(spiking neural activity)进行分类来证明它的实用性，用于运动想象等任务。
对于每个单元和时间窗口，选择该窗口的峰值活动数作为特征向量提供给分类器进行分类。滑动窗口为500 ms(宽度)，步长为100 ms。每个滑动窗口的分类器预测被发送给投票人，以执行最终的预测(见图1)。研究人员还评估了当窗口宽度随着时间的推移而增加时的分类精度(而不是窗口在时域中滑动，窗口从一开始就扩展实验时间到预测时间),我们将这里称为累积窗口(见图2)。在这种情况下,每个单元的所有时间信息都被分解成一个单一的特征(spike count number)，并且在这种情况下使用了无投票层。
图1.整个解码通道使用左侧的滑动窗口、中间的分类器和右侧的投票层计算尖峰信号
研究人员使用了两种常用的分类器：KNN 解码器（无模型）和泊松解码器（基于模型）。对于任何一个分类器，训练:测试分割为80%:20%。
a) KNN 分类器
将长度为192的特征向量(该时间窗口内每个单元的总峰值数)输入分类器，通过其与训练数据中的样本的接近度(欧氏距离)来预测其类别。这里使用了K = 4的KNN分类器。在平局的情况下，最近邻的投票被用作决胜局。
b)泊松分类器
对于每个单元和时间窗口，训练数据的特征向量(长度192)的平均峰值被用作泊松分布的lambda (λ)参数(在该单元和特定时间窗口内的预期峰值数量)。训练好的泊松朴素贝叶斯分类器得到类的概率定义为:
其中 是 类的先验概率， 是证据（特征向量）的概率。由于在我们的例子中每个类的先验概率是相等的，我们可以将 (1) 重写为：
其中 α 是等于 1/p(x) 的常数。根据(2)，应用Maximum A Posteriori (MAP)决策规则，计算出预测类(Ĉp):
图2 使用滑动窗口和累积窗口方法进行尖峰计数
本文研究的不同投票权重集
图4 (a) 不同投票权重集的整个实验的准确性。 (b) 整个实验在不投票（滑动窗口）、累积窗口和基于投票（具有基于准确性的权重）中的准确性。 (c) 所有记录会话中 a 和 b 部分显示的所有曲线的平均精度箱形图
图 5. (a) 不同投票权重集的响应阶段的准确性。 (b) 响应阶段在不投票（滑动窗口）、累积窗口和基于投票（具有基于准确性的权重）中的准确性。 (c) 所有记录会话中 a 和 b 部分显示的所有曲线的平均精度箱形图。
本文介绍了用于BCI领域的一个因果、数据高效且准确的尖峰神经解码器，该解码器利用先前时间窗口的加权投票来估计运动意图。 研究证明，与当前预测中不包括长期历史（比感兴趣的窗口长）信息的分类器相比，它具有更好的性能。 通过结合时间历史（基于投票的滑动窗口和累积窗口方法），而不是独立分析每个时间窗口，展示了预测准确性的显着提高。
论文信息:
https://ieeexplore.ieee.org/abstract/document/9631022
