Two Seconds to Speak: Increasing Communication Speed for fMRI-Based Brain–Computer Interfaces
Notice bibliographique
Résumé
Background: Brain–computer interfaces (BCIs) can provide alternative, motor-independent means of communication for people who have lost motor function. A promising variant is the functional magnetic resonance imaging (fMRI)-based BCI, which exploits information on hemodynamic brain activity evoked by performing different mental tasks. However, due to the sluggish nature of the hemodynamic response, a current challenge is to make these BCIs as efficient and fast as possible to allow useful clinical application. Furthermore, there is yet no consensus on optimal mental-task selection for multi-voxel pattern analysis-based decoding, nor whether certain tasks generalize well across users, or if individualized task selection would yield a higher decoding accuracy. Methods: To increase BCI efficiency, we tested whether distributed patterns of 3T-fMRI brain activation evoked by two-second mental tasks could be reliably discriminated in 2- to 7-class classification. In addition, we identified optimal mental-task combinations for high-accuracy classification across all classes. Finally, we examined whether individualized task selection—based on subjects’ previous decoding performance ( accuracy-based tasks) or their subjective preference ( preference-based tasks )—was superior to the other in a yes/no communication paradigm. Results: The 2-class decoding resulted in a mean accuracy of 78% and 3- to 7-class accuracies were above chance level. Mental calculation and spatial navigation were most frequently associated with the highest decoding accuracy. Furthermore, subjects could encode yes/no answers using their accuracy-based and preference-based tasks with mean accuracies of 83% and 81%, respectively. This implies that this paradigm, using short encoding durations, is well-suited to the diversity of patients and could greatly increase BCI efficiency.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».