BiND: A Neural Discriminator-Decoder for Accurate Bimanual Trajectory Prediction in Brain-Computer Interfaces

📄 arXiv: 2509.03521v1 📥 PDF

作者: Timothee Robert, MohammadAli Shaeri, Mahsa Shoaran

分类: q-bio.NC, cs.AI, eess.SP

发布日期: 2025-08-19

备注: Accepted for publication in IEEE Neural Engineering (NER) Conference'25

💡 一句话要点

提出BiND以解决脑机接口中双手轨迹预测问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 脑机接口 双手运动解码 GRU 神经网络 运动预测 时间建模 鲁棒性 机器学习

📋 核心要点

  1. 现有方法在解码双手运动时面临神经信号重叠和非线性交互的挑战，导致准确性不足。
  2. BiND模型通过两阶段分类和GRU解码器结合时间索引的方式，提升了双手运动的预测精度。
  3. 实验结果表明，BiND在跨会话分析中比GRU提高了多达4%的准确性，展现出更强的鲁棒性。

📝 摘要（中文）

从皮层内记录中解码双手运动仍然是脑机接口（BCIs）面临的关键挑战，主要由于神经表征的重叠和肢体间的非线性交互。本文提出了BiND（双手神经判别解码器），该模型分为两个阶段，首先对运动类型（单手左、单手右或双手）进行分类，然后使用基于GRU的专用解码器，结合试验相对时间索引，预测连续的二维手部速度。我们在一个来自四肢瘫痪患者的公开13次会话的皮层内数据集上，将BiND与六种最先进的模型（SVR、XGBoost、FNN、CNN、Transformer、GRU）进行了基准测试。BiND在单手和双手轨迹预测中分别达到了平均$R^2$为0.76（$ ext{±}$0.01）和0.69（$ ext{±}$0.03），在这两个任务中均超越了下一个最佳模型（GRU）2%。

🔬 方法详解

问题定义：本文旨在解决从皮层内记录中解码双手运动的准确性问题。现有方法在处理神经信号重叠和肢体间非线性交互时表现不佳，导致预测精度不足。

核心思路：BiND模型采用两阶段的解码策略，首先进行运动类型的分类，然后利用GRU解码器结合时间信息进行连续速度预测。这种设计旨在充分利用任务相关的特征，提高解码的准确性。

技术框架：BiND的整体架构分为两个主要模块：第一阶段是运动类型分类，第二阶段是基于GRU的速度预测解码器。解码器还引入了试验相对时间索引，以增强时间建模能力。

关键创新：BiND的主要创新在于其任务感知的判别机制和时间建模能力，这使得其在双手运动解码中表现出更高的准确性和鲁棒性，与现有方法相比具有显著的优势。

关键设计：在模型设计中，使用了GRU作为解码器，并引入了试验相对时间索引以增强时间特征的利用。此外，模型在训练过程中采用了适当的损失函数，以优化预测性能。

📊 实验亮点

BiND在单手和双手轨迹预测中分别达到了平均$R^2$为0.76和0.69，超越了GRU模型2%。在跨会话分析中，BiND的准确性提高了多达4%，展现出更强的鲁棒性和适应性。

🎯 应用场景

该研究的潜在应用领域包括脑机接口技术、康复机器人和人机交互系统。通过提高双手运动的解码精度，BiND能够为瘫痪患者提供更有效的运动辅助，改善其生活质量，并推动相关技术的发展。

📄 摘要（原文）

Decoding bimanual hand movements from intracortical recordings remains a critical challenge for brain-computer interfaces (BCIs), due to overlapping neural representations and nonlinear interlimb interactions. We introduce BiND (Bimanual Neural Discriminator-Decoder), a two-stage model that first classifies motion type (unimanual left, unimanual right, or bimanual) and then uses specialized GRU-based decoders, augmented with a trial-relative time index, to predict continuous 2D hand velocities. We benchmark BiND against six state-of-the-art models (SVR, XGBoost, FNN, CNN, Transformer, GRU) on a publicly available 13-session intracortical dataset from a tetraplegic patient. BiND achieves a mean $R^2$ of 0.76 ($\pm$0.01) for unimanual and 0.69 ($\pm$0.03) for bimanual trajectory prediction, surpassing the next-best model (GRU) by 2% in both tasks. It also demonstrates greater robustness to session variability than all other benchmarked models, with accuracy improvements of up to 4% compared to GRU in cross-session analyses. This highlights the effectiveness of task-aware discrimination and temporal modeling in enhancing bimanual decoding.