MARC

 008260126s2023        us                              c    eng  d
■001000017359263
■00520260202104857
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798288815935
■035    ▼a(MiAaPQ)AAI32201029
■035    ▼a(MiAaPQ)Stanfordyn442ff4231
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a658.3124
■1001  ▼aWilson,  Guy.
■24510▼aAlgorithms  for  High-Performance  Brain-Computer  Interfaces
■260    ▼a[Sl]▼bStanford  University▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a118  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-02,  Section:  B.
■500    ▼aAdvisor:  Druckmann,  Shaul.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2023.
■520    ▼aBrain-computer  interfaces  (BCIs)  are  a  set  of  technologies  that  enable  people  to  interact  with  devices  by  directly  translating  neural  activity  into  command  signals.  Noninvasive  methods  such  as  EEG  and  fMRI  allow  minimal-risk  access  to  brain  signals  but  are  limited  by  low  spatial  and  temporal  resolution,  respectively.  By  contrast,  intracortical  BCIs  (iBCIs)  benefit  from  unparalleled  spatial  and  temporal  resolution  recordings  of  local  neuronal  ensembles,  resulting  in  some  of  the  highest-performance  communication  systems  to  date.  While  promising,  several  key  challenges  remain  for  wider  adoption  of  these  technologies.  First,  iBCIs  in  particular  suffer  from  signal  instability  that  cause  performance  degradation  across  time.  A  key  challenge  for  clinical  translation  of  these  iBCI  cursor  systems  is  ensuring  robust,  long-term  control  for  end  users  without  manual  retraining.  Second,  while  these  technologies  have  enabled  point-and-click  based  typing  interfaces  approaching  8-10  words  per  minute,  an  ideal  interface  would  match  the  bandwidth  of  conversational  speech  (roughly  150  words  per  minute).  Third,  intracortical  systems  require  brain  surgery,  which  has  inherent  risks  due  to  the  invasive  nature  of  the  procedure.  Developing  noninvasive  approaches  for  silent  speech  decoding  may  therefore  be  more  suitable  for  a  subset  of  patients.  In  this  work,  we  discuss  three  advances  that  tackle  these  key  areas  by  leveraging  modern  machine  learning  methods  alongside  high  signal-to-noise  (SNR)  recording  systems.  First,  we  present  an  unsupervised  recalibration  procedure  for  improving  cursor  BCI  robustness.  Using  data  from  our  clinical  trial  participant,  we  highlight  the  extent  and  timescales  of  neural  feature  drift.  We  demonstrate  how  existing  state-of-the-art  procedures  are  seemingly  ill-equipped  to  deal  with  long-term  drift  using  both  offline  data  as  well  as  simulation  models.  We  then  introduce  a  novel  procedure  that  leverages  task  structure  to  recalibrate  a  system  automatically,  and  demonstrate  superior  performance  in-silico  and  in  closed-loop  in  our  participant.  Second,  we  lay  the  groundwork  for  intracortical  speech  BCI  efforts  by  prototyping  a  system  in  an  offline  manner  using  microelectrode  arrays  in  dorsal  motor  cortex.  We  demonstrate  that,  despite  being  located  in  a  nontraditional  brain  area  for  speech  decoding,  our  arrays  provide  high  SNR  compared  to  existing  approaches.  Third,  we  leverage  skin-like  flexible  electronics  and  deep  learning  for  silent  speech  decoding  from  electromyography  (EMG)  signals.
■590    ▼aSchool  code:  0212.
■650  4▼aUser  training
■650  4▼aElectrodes
■650  4▼aBandwidths
■650  4▼aSignal  processing
■650  4▼aNeural  networks
■650  4▼aElectroencephalography
■650  4▼aAcoustics
■650  4▼aSpeech
■650  4▼aBrain  surgery
■650  4▼aNeurosciences
■653    ▼aBrain-computer  interfaces
■653    ▼aMachine  learning
■653    ▼aIntracortical  systems
■690    ▼a0986
■690    ▼a0800
■690    ▼a0317
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g87-02B.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359263▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서