Enhancing the Representational Similarity Between Execution and Imagination of Movement Using Network-Based Brain Computer Interfacing
Notice bibliographique
Résumé
Abstract Motor imagery-based brain computer interfacing (MI-BCI) as a neuro-rehabilitation tool aims at facilitating motor improvement using mental practice. However, the effectiveness of MI-BCI in producing clinically meaningful functional outcome is debated. Aside from computational shortcomings, a main limiting obstacle seems to be the substantial representational dissimilarity between movement imagination (MI) and movement execution (ME) on the level of engaged neural networks. This dissimilarity renders inducing functionally effective and long lasting changes in motor behavior through MI challenging. Moreover, the quality and intensity of imagination is highly prone to change on a trial-to-trial basis, based on the subject's state of mind and mental fatigue. This leads to an inconsistent profile of neural activity throughout training, limiting learning in a Hebbian sense. To address these issues, we propose a neuroconnectivity-based paradigm, as a systematic priming technique to be utilized pre-BCI training. In the proposed paradigm, ME-idle representational dissimilarity network (RDN) features are used to detect MI in real-time. This means that to drive the virtual environment, an ME-like activation pattern has to be learned and generated in the brain through MI. This contrasts with conventional BCIs which consider a successful MI, one that results in higher than a threshold change in the power of sensorimotor rhythms. Our results show that four out of five participants achieved a consistent session-to-session enhancement in their net MI-ME network-level similarity (mean change rate of 6.16% ± 4.64 per session). We suggest that the proposed paradigm, if utilized as a priming technique pre-BCI training, can potentially enhance the neural and functional effectiveness. This can be achieved through 1- shifting MI towards engaging ME-related networks to a higher extent, and 2- inducing consistency in MI quality by using the ME-related networks as the ground-truth and thus enhancing the robustness of the activity pattern in the brain. This would in turn lend to the clinical acceptability of BCI as a neurorehabilitation tool.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».