EDAPT: Kalibrierungsfreie BCIs durch kontinuierliche Online-Anpassung

Brain‑Computer‑Interfaces (BCIs) leiden häufig unter Genauigkeitsverlusten, wenn sich die neuronalen Signale im Laufe der Zeit verändern oder von Nutzer zu Nutzer unterschiedlich sind. Diese Drift erfordert regelmäßige Neukalibrierungen, die die praktische Einsatzfähigkeit von BCIs stark einschränken.

Mit dem neuen Ansatz EDAPT wird die Notwendigkeit einer manuellen Kalibrierung überflüssig. Zunächst wird ein Basis‑Decoder mit Daten aus mehreren Benutzern trainiert. Anschließend wird das Modell kontinuierlich an die sich wandelnden neuronalen Muster des jeweiligen Nutzers angepasst, indem es in Echtzeit mittels überwachten Feinabstimmens weiter trainiert wird. Ergänzend kann EDAPT unüberwachtes Domain‑Adaptation nutzen, um die Leistung auf bestimmten Datensätzen noch weiter zu steigern.

Die Wirksamkeit von EDAPT wurde an neun verschiedenen Datensätzen, die drei unterschiedliche BCI‑Aufgaben abdecken, getestet. In allen Fällen erzielte der Ansatz eine konsequente Verbesserung der Genauigkeit im Vergleich zu herkömmlichen, statischen Modellen. Die Effizienz ist bemerkenswert: Die Aktualisierung des Modells erfolgt in weniger als 200 Millisekunden auf handelsüblichen Hardwareplattformen.

Ein weiterer Befund ist, dass die Dekodierungsgenauigkeit stärker vom gesamten Datenvolumen als von der Aufteilung zwischen einzelnen Benutzern und Versuchen abhängt. Damit bietet EDAPT einen praktikablen Weg zu kalibrierungsfreien BCIs und reduziert damit eine der größten Hürden für die breite Einführung dieser Technologie.