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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».