转移学习与CNN模型用于大脑机器接口来指挥下肢外骨架:有限数据的解决方案

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:

• 大脑机器接口 (BMI) 为残疾人提供了运动康复的潜力.
• 基于运动图像 (MI) 的BMI可以将想象中的运动转化为外骨架等辅助设备的命令.
• 有限的主题特定数据往往阻碍了BMI中先进机器学习模型的性能.

研究的目的:

• 评估两个卷积神经网络 (CNN) 对于基于运动图像 (MI) 的脑机界面 (BMI) 控制的有效性.
• 调查转移学习的应用,以克服基于MI的BMI发展中的数据稀缺性.
• 评估创建用于指挥下肢外骨架的自动神经分类系统的潜力.

主要方法:

• 使用下肢外骨架从五名参与者的一个小数据集.
• 员工通过在外部EEG数据集上预训练CNN模型并为个人用户微调它们来转移学习.
• 将CNN的表现与共同空间模式 (CSP) 和线性差异分析 (LDA) 的基准进行了比较.

主要成果:

• 特别是转移学习的CNN在BMI控制的运动图像分类方面表现出了有希望的表现.
• 转移学习有效地缓解了与有限的主题特定EEG数据相关的挑战.
• 开发的系统显示出了指挥下肢外骨的潜力,精度提高了.

结论:

• 与转移学习相结合的CNN代表了开发基于MI的强大BMI的可行方法.
• 这种方法可以促进为辅助技术创建用户友好的,自动的神经分类系统.
• 这些发现支持BMI在增强运动恢复和通过外骨架辅助康复促进神经可塑性的临床相关性.