###### tags: `論文摘要` `穩定性` `差異分析`

# Making brain–machine interfaces robust to future neural variability
* 時間: 2016
* Conference: Nature
* Link: https://www.nature.com/articles/ncomms13749.pdf?origin=ppub
* MLA: Sussillo, David, et al. "Making brain–machine interfaces robust to future neural variability." Nature communications 7.1 (2016): 1-13.

## 概論
該篇提出"神經記錄條件"用以定義不同時間點所記錄的神經訊號差異；諸如阻抗、電極品質、雜訊或是生理條件等因素。由於目前的解碼器無法應付如此多樣的條件變化，故而需要較頻繁的retrain而達到一定的品質。
總結BMI在實際使用上會遇到的情形有二：首先不同時間點遇到的神經紀錄條件可能相去甚遠；另一方面來說，紀錄條件卻也有可能存在共同性。
對於應付每天不同的神經紀錄條件來說，當收集到新資料時就對其進行更新會是較好的選擇，然而當遭遇上述第二種情境時，可能就會形成不必要的時間成本。
故而，何時決定是否該進行retrain就是一項可討論的議題。


## 方法
本篇論文使用principal angles分析神經活動間的相似程度。
假設$Y_i$表示第$i$天的神經活動(約200個trails之8向運動)，其維度為$E\times T$。
$E$表示其電極數量；$T$則為該task的time bins數量。
接著對$Y_iY_i^T$ (zero mean)做eigenvalue decomposition得矩陣$V_i\in E\times K$，其中$k$為eigenvector，本篇論文設定的$K$值大致為2至30。
最終計算$V_i$與$V_j$之最小subspace angles，即代表其差異。