优化基于fNIRS的脑机接口输入以实现更好的校准和更广泛的应用

视频

DOI

脑机接口（BCI）是一种具有许多潜在应用的新兴技术。功能性近红外光谱（fNIRS）可以为脑机接口提供便捷且不显眼的实时输入。fNIRS尤其有前景，可用于自动分类用户当前的认知工作量。然而，用于训练这种分类器的数据目前并不广泛可用，收集困难，且由于噪声和跨受试者变异而难以解释。另一个重大挑战是需要大量的用户特定校准。为了解决这些问题，我们引入了一个收集自15名受试者的新数据集和一个新的多阶段监督机器学习流程。我们的方法在早期阶段从多个受试者的观察数据和增强数据中学习，然后在最后阶段对个体受试者的预测进行微调。在标准的"n-back"认知工作量分类任务中，我们展示了与仅使用受试者特定数据或仅使用组级数据的基线方法相比，准确率有了可喜的提升，即使我们的方法只使用少得多的受试者特定数据。尽管这些实验是回顾性分析的，但我们仔细地从流程中移除了任何无法实时完成的东西，因为我们的目标是未来的实时操作。本文贡献了一个新数据集、一个新多阶段训练流程、与替代流程相比显示显著改进的结果，以及对用户界面设计影响的讨论。我们完整的数据集和软件可在https://tufts-hci-lab.github.io/code_and_datasets/公开获取。我们希望这些结果使基于fNIRS的交互式脑输入更容易被更广泛的研究者和设计者探索。