Kreisförmiges Training & minimale Kalibrierung steigern BCI-Genauigkeit

Die Herausforderung, bei der Analyse von EEG-basiertem, vorgestelltem Sprachsignal über verschiedene Personen hinweg zuverlässig zu generalisieren, bleibt bestehen – die neuronalen Aktivitätsmuster variieren stark. In einer neuen Studie wurde untersucht, wie sich Trainingsdynamiken und leichte, subjektbezogene Anpassungen auf die Leistung bei unbekannten Zielpersonen auswirken.

Ein kreisförmiger, inter-subjektiver Trainingsansatz, bei dem für jeden Probanden kurze Trainingssegmente genutzt und häufig zwischen den Personen gewechselt wird, führte zu moderaten, aber konsistenten Verbesserungen der Dekodierungsgenauigkeit bei Daten, die zuvor nicht im Training enthalten waren.

Darüber hinaus zeigte ein Leave-One-Subject-Out-Schema, bei dem lediglich 10 % der Daten einer Zielperson zur Kalibrierung verwendet wurden, eine Genauigkeit von 0,781 und einen AUC-Wert von 0,801. Diese Ergebnisse belegen die Wirksamkeit von Few-Shot‑Anpassungen.

Die Erkenntnisse deuten darauf hin, dass die Kombination aus kreisförmigem Training und minimaler Kalibrierung einen einfachen, aber wirkungsvollen Ansatz für skalierbare, benutzeradaptive Brain‑Computer‑Interface‑Systeme darstellt, die sowohl Generalisierung als auch Personalisierung ausbalancieren.