通过一套方法提高下肢运动图像性能,用于步态康复

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
• 康复技术 康复技术 康复技术

背景情况:

• 下肢外骨架对于康复至关重要,但有效控制仍然是一个挑战.
• 大脑机器接口 (BMI) 提供了自然控制,但在解码下肢运动信号方面存在局限性.
• 改善大脑信号解码对于推进BMI技术和康复行业至关重要.

研究的目的:

• 开发和评估一套用于增强下肢运动图像 (MI) 分类的整体方法.
• 提高大脑机器接口 (BMI) 的性能,以控制下肢外骨架.
• 为了解决目前用于康复应用的脑信号解码的局限性.

主要方法:

• 一种组合模型,将传统的波形变换与过器银行共同空间模式 (CSP) 和深度学习 (多头自我注意力与时间卷积网络) 结合起来.
• 使用定制的下肢外骨架进行实验验证,与8个受试者进行3次会议.
• 采用学科特定和学科独立的模式进行绩效评估.

主要成果:

• 在三种类型的MI (左腿,右腿,休息) 中达到60.27%的准确性,在两种类型的MI (下肢MI与休息) 中达到64.20%.
• 与最先进的方法相比,在主题特定的模式中,准确度提高了高达4%,在主题独立的模式中提高了2%.
• 功能分析确定了不同MI任务和反方式的歧视性大脑模式.

结论:

• 拟议的组合方法显著提高了BMI应用的下肢MI分类准确性.
• 这种先进的BMI显示了改善下肢外骨中步行训练和神经假体功能的潜力.
• 这些发现为更有效的脑驱动康复设备铺平了道路.