Neues Lernverfahren verbessert Sprach-BCI über Sessions hinweg

Intrakortikale Gehirn‑Computer‑Interfaces (BCIs) können Sprache aus neuronaler Aktivität mit hoher Genauigkeit entschlüsseln, wenn sie auf Daten aus mehreren Aufnahmesitzungen trainiert werden. In der Praxis müssen die Modelle jedoch auch ohne gelabelte Daten neue Sessions verarbeiten, was häufig zu Leistungseinbußen führt – etwa durch Elektrodenverschiebungen, neuronalen Turnover oder veränderte Benutzerstrategien.

Die Autoren stellen ALIGN vor, ein session‑invariantes Lernframework, das auf mehrdomänen‑adversarialen neuronalen Netzwerken basiert. ALIGN trainiert einen Feature‑Encoder gleichzeitig mit einem Phonem‑Classifier und einem Domain‑Classifier, der auf der latenten Repräsentation arbeitet. Durch adversariales Optimieren wird der Encoder dazu angeregt, task‑relevante Informationen zu bewahren und gleichzeitig session‑spezifische Signale zu unterdrücken.

In Tests zur intrakortikalen Sprachdekodierung zeigte ALIGN eine konsequente Verbesserung der Generalisierung auf bisher unbekannte Sessions. Sowohl die Phonem‑Fehlerrate als auch die Wort‑Fehlerrate lagen deutlich unter denen der Baseline‑Modelle. Diese Ergebnisse unterstreichen, dass adversariales Domain‑Alignment ein wirkungsvolles Mittel ist, um Sitzungs‑abhängige Verteilungsverschiebungen zu reduzieren und robuste, langfristige BCI‑Dekodierung zu ermöglichen.