From Individual to Generalized: Multi-Subject Training in State-of-the-Art Finger Movement Reconstruction BCI Models

Abstract

Brain Computer Interfaces (BCI) zetten activiteit in de hersenen in digitale signalen om voor verschillende doeleinden. In dit werk richten we ons specifiek op BCI-methoden die proberen hersensignalen te vertalen naar vingerbewegingen. Een groot obstakel is dat het implanteren van de elektroden vrij invasief is, wat de hoeveelheid beschikbare datasets ernstig beperkt. De beschikbare datasets bevatten slechts 10 minuten aan opgenomen data per proefpersoon. In dit werk testen we de mogelijkheid om de data van andere proefpersonen te gebruiken om de hoeveelheid data die deze modellen kunnen gebruiken om van te leren uit te breiden, en de creatie van een algemeen model mogelijk te maken dat niet specifiek is voor een individuele proefpersoon in zijn voorspellingen. We testen twee state-of-the-art methoden, een ouder model, en één die we zelf hebben ontwikkeld. Het FingerFlex-model is een deep learning auto-encoder en had de meest veelbelovende resultaten: de modelprestaties namen licht toe en een algemeen model had slechts een fractie van de normale training nodig om te werken op een nieuwe proefpersoon.

De andere modellen hadden slechtere resultaten dan normaal, dit kwam vooral door het verschil in elektrode posities tussen subjeten.