(b) 在经过基于越来越多的先前数据的训练之后，我们在 12（16）只猴子 R（L）测试天后评估了每个 MRNN 重建离线手运动速度（offline hand velocity）的能力。（我们）通过回顾更久远的数据来添加数据集，以便不将训练数据新近度与数据语料库大小相混淆。在猴 R 实验中，早期测试（得到的数据）也作为了训练数据（还保有测试试验）。在猴子 L 实验中，我们可以获得更多合适的数据，开奖，训练数据集（的收集）从第一天测试的前一天便已开始。更多的训练数据（深色折线）提高了解码精度，特别是在解码在测试日期之后更久的记录情况时。为便于比较，我们还绘制了从基于每个单独的日期的训练数据（「FIT Sameday」，浅蓝色）训练的传统解码器（FIT 卡尔曼滤波器）的表现。嵌入的小图是一个关于训练日对解码精度的散点图（对猴子 R 有 99 个数据点，猴子 L 有 160 个）。趋势线表明两者有很强的正相关性。

(c) MRNN 可以成功地学习涵盖更多的记录日的更大的数据集。用红色折线标注的 MRNN，基于涵盖许多个月的 154（250）个猴子 R（L）的记录日的数据训练。它在留出试验的离线解码的精度将被与 FIT Sameday（浅蓝色标记）按天进行对比。我们还测试了使用与 MRNN（「FIT Long」，深蓝色）相同的大数据集训练的单个 FIT-KF。连线中的间隙表示超过十天的记录间隙。小图代表了在所有记录日上解码精度 mean±s.d.。星号标注了 p <0.001 差异（signed-rank test）。MRNN 在每天的数据集上胜过两种类型的 FIT-KF 解码器。

图 3：在最重要的电极上的未预料到的丢失情况下的稳健性

图 4：在自然出现的记录情况改变（recording condition changes）的情况下的稳健性

©本文为机器之心编译，转载请联系本公众号获得授权。

　　?------------------------------------------------

加入机器之心（全职记者/实习生）：[email protected]

投稿或寻求报道：[email protected]

广告&商务合作：[email protected]