Главная сложность для речевых нейрокомпьютерных интерфейсов (НКИ) — огромные затраты времени и данных, необходимые для калибровки системы под конкретного пользователя.

Поскольку нейроанатомия и расположение электродов у всех индивидуальны, обучение подобных моделей на данных нескольких пациентов исторически оставалось огромной проблемой.

Новое исследование под руководством З. Сполдинга, С. Дурайвела, Г. Б. Когана и их команды предлагает перспективное решение.

Ключевые прорывы:

Общее латентное пространство: Использовав канонический корреляционный анализ (CCA) с высокоплотной микроэлектрокортикографией (микро-ЭКоГ), исследователи отобразили индивидуальные нейронные данные в общее латентное пространство, сохранив высокое разрешение речевых сигналов.

Превосходство над однопациентными моделями: Модели, обученные на данных нескольких пациентов, показали более высокое качество декодирования по сравнению с традиционными персонализированными моделями.

Быстрое внедрение: Объединение данных множества пациентов устраняет необходимость в долгих и утомительных сеансах сбора данных для каждого нового пользователя.

Этот подход открывает путь к созданию речевых НКИ, которые будут не только точнее, но и значительно быстрее и проще в настройке, что делает готовые к использованию («plug-and-play») коммуникативные устройства на шаг ближе для людей с тяжелыми нейромоторными нарушениями.

Читайте полное исследование в Nature Communications:
https://lnkd.in/e6dKsSH3

#BCI #Neurotech #BrainComputerInterface #MicroECoG #MachineLearning #Neuroscience #Innovation #Accessibility