極座標における手の動きの角度の連続的デコーディングを可能にする脳波検査

科学分野:

• 神経科学
• 生体医工学
• 機械学習

背景:

• 手の動きは、しばしばデカルト座標または極座標で記述されます。
• 脳波検査（EEG）ベースのブレイン・コンピューター・インターフェース（BCI）は、一般的にデカルト座標を使用します。
• 極座標は、円運動と角度情報を自然に表現します。

研究 の 目的:

• EEG信号を使用した極座標における手の動きの角度の連続的なデコーディングの実現可能性を調査すること。
• このデコーディングタスクのための様々な深層学習モデルのパフォーマンスを比較すること。

主な方法:

• 人間の参加者は、EEGデータが記録されている間、両手で円形描画タスクを実行しました。
• EEGNet、DeepConvNet、ShallowConvNet、およびそれらのLSTMバリアントを含む6つの深層学習モデルが使用されました。
• パフォーマンスは、平均二乗誤差（MSE）、平均絶対誤差（MAE）、および相関係数（CC）を使用して評価されました。

主要な成果:

• すべての6つのモデルは、8人の参加者全員にわたって、偶然レベル（P < 0.01）を大幅に上回りました。
• 最もパフォーマンスの高いモデルは、MSE 1.012 rad²、MAE 0.627 rad、CC 0.895を達成しました。
• 円運動の連続的な角度デコーディングの成功を示しました。

結論:

• EEG信号を使用した極座標における手の動きの角度の連続的なデコーディングは実現可能です。
• このアプローチは、円運動または回転運動のデカルト座標ベースのデコーディングに代わる実行可能な選択肢を提供します。
• 深層学習モデルは、EEGベースのBCIを進歩させる上で大きな可能性を示しています。