使用基于人工智能深度学习的脑电波进行运动预测

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
• 人工智能的人工智能

背景情况:

• 脑电图 (EEG) 研究为人体运动提供了宝贵的见解.
• 从EEG信号优化运动歧视预测对于炼康复和理解大脑运动模式的应用至关重要.

研究的目的:

• 通过使用带有独一无二的EEG数据的封闭循环单元 (GRU) 深度学习模型,研究运动歧视预测的优化.
• 提高机器学习操作的性能指数,以提高运动识别准确度.

主要方法:

• 从10名参与者 (体操运动员和体育教育学生) 收集了32个频道的EEG数据,他们执行了五个难度级别的姿势控制任务.
• 使用快速里埃变换进行应用频谱分析,并利用GRU网络对EEG频率域进行机器学习.
• 使用机器学习技术提取了大脑运动模式.

主要成果:

• 与现有模型相比,GRU网络算法在性能指数中实现了高达15.92%的改进.
• 动作识别精度在实际和预测值之间从94.67%到99.15%不等.
• 提高GRU网络隐藏层的精度和成本功能有助于优化结果.

结论:

• 使用EEG信号的AI驱动的运动识别优化为运动康复提供了一种创新的方法.
• 这项研究强调了大脑活动与运动科学之间的相互联系.
• 开发的GRU模型显示了在临床和研究环境中准确的运动识别的巨大潜力.