基于深度学习的框架,用于使用组合生物信号的实时上肢运动意图分类
A Usama Syed1,2, Neelum Y Sattar2, Ismaila Ganiyu3
1Department of Industrial Engineering, University of Trento, Trento, Italy.
Frontiers in neurorobotics
|August 14, 2023
概括
这项研究引入了一种使用表面电肌图 (sEMG) 和功能近红外光谱 (fNIRS) 控制假肢手臂的新脑计算机接口. 该系统实现了94.5%的准确性解码上肢意图的跨关节截肢.
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
- 康复工程 康复工程
背景情况:
- 先进的假肢需要直观的控制接口.
- 解读人类对上肢运动的意图对于假肢功能至关重要.
- 整合多个生物信号可以提高意图解码的准确性.
研究的目的:
- 开发一个实时的神经机器接口来控制假肢.
- 用组合的sEMG和fNIRS信号来解码人类对上肢运动的意图.
- 评估框架在跨骨截肢患者中的表现.
主要方法:
- 一个新的框架,整合了表面电肌图 (sEMG) 和功能近红外光谱 (fNIRS) 生物信号.
- 卷积神经网络 (CNN) 用于信号训练和意图解码.
- 来自运动皮层的fNIRS信号和双腿肌肉的sEMG同时记录了八个上肢运动.
- 特性提取包括特定移动窗口内的峰值,最小值和平均 ΔHbO 和 ΔHbR 值 (fNIRS) 和波长,峰值和平均值 (sEMG).
主要成果:
- 该框架成功解码了八种不同的上肢运动.
- 在分类预期的动作方面,获得了94.5%的平均精度.
- 从sEMG和fNIRS中选择的功能证明了对意图解码的有效性.
结论:
- 拟议的框架显示了对假肢手臂实时控制的巨大潜力.
- 集成sEMG和fNIRS为神经机器接口提供了一个强大的方法.
- 这项研究证实了改善假肢手臂功能和用户控制的有希望的方法.
