使用脑电图信号和机器学习算法对不稳定和稳定的行走模式进行分类

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 使用脑电图 (EEG) 分析步行稳定性对于开发防摔系统至关重要.
• 实时脑电脑接口 (BCI) 系统需要从神经信号中准确检测步行不稳定性.
• 布带来重大风险,需要先进的早期检测和干预方法.

研究的目的:

• 调查使用EEG信号来分类稳定和不稳定的步态模式的可行性.
• 评估各种机器学习算法的有效性,从EEG数据中检测走路不稳定.
• 开发基于EEG的数字生物标志物,用于步行分析和跌倒风险评估.

主要方法:

• 在四个行走条件 (正常,中侧扰动,双任务,视觉反) 中从13名健康成年人获得了64通道EEG信号.
• 从EEG信号中提取数字生物标志物,包括波束能量和值.
• 应用机器学习算法,如ChronoNet,SVM,随机森林,梯度增强和LSTM用于分类.

主要成果:

• 机器学习模型实现了不同步态的分类精度,从67%到82%不等.
• 基于EEG的数字生物标志物有效地区分了稳定和不稳定的行走条件.
• 该研究表明了EEG信号在识别步行不稳定的神经相关性方面的潜力.

结论:

• 使用EEG信号和机器学习对步行模式进行分类是可行的和准确的.
• 基于EEG的数字生物标志物显示出对不稳定步行的实时检测有前途.
• 这项研究有助于开发用于预防跌倒和减少伤害的BCI系统.