Seminario "Macías - Segovia"
Hacia el Aprendizaje Co-adaptativo para Interfaces Cerebro-Computadora de Imaginería Motora
Charla a cargo de la Dra. Peterson
Disertante: Victoria Peterson
Resumen. Las interfaces cerebro-computadora (BCIs) basadas en la Imaginería Motora (MI) dependen en gran medida de la capacidad del sujeto para modular su propia actividad cerebral. Dominar un BCI puede requerir múltiples sesiones, y el sistema de aprendizaje automático utilizado para decodificar la actividad cerebral debe ser capaz de adaptarse a posibles cambios en la distribución de datos entre sesiones. Si bien la computadora puede adaptarse a estos cambios, sigue siendo necesario comprender la dependencia del rendimiento de la misma en función del éxito del usuario al proporcionar patrones cerebrales discriminativos. A través del uso de una formulación inversa de transporte óptimo para adaptación de dominio (BOTDA), es posible adaptar datos de una nueva sesión sin necesidad de volver a entrenar al clasificador. En este estudio, demostramos a través de extensas simulaciones que el éxito de la adaptación de BOTDA depende en gran medida de la capacidad de discriminación de los patrones cerebrales proporcionados. Además, mostramos que el costo asociado de la adaptación refleja las habilidades de BCI del usuario. Al utilizar conjuntos de datos reales, simulamos el aprendizaje co-adaptativo en MI-BCI y mostramos que BOTDA no solo facilita la adaptación en línea entre sesiones de BCI, sino que también puede proporcionar retroalimentación valiosa a los usuarios para apoyar su proceso de aprendizaje de BCI. Nuestros hallazgos resaltan el potencial de BOTDA para mejorar la usabilidad y efectividad de los BCIs al aprovechar los patrones cerebrales y niveles de habilidad específicos del usuario.
Código de acceso: 8Wd2yx.9B!