在基于CSP的方法中对时间,空间和光谱过的评估,用于使用EEG信号解码基于踩踏的运动任务
Cristian Felipe Blanco-Díaz1,2, Cristian David Guerrero-Mendez1,2, Denis Delisle-Rodriguez3
1Postgraduate Program in Electrical Engineering, Federal University of Espirito Santo (UFES), 29075-910 Vitória, Brazil.
Biomedical physics & engineering express
|February 28, 2024
概括
这项研究引入了先进的机器学习方法,以精确地从EEG信号中解码踏板运动,改进脑电脑接口用于中风康复. 这些发现增强了机器人辅助治疗和日常生活活动的潜力.
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:
- 脑卒中严重影响日常生活活动 (ADLs) 由于失去运动控制.
- 脑计算机接口 (BCI) 与机器人系统相结合,为神经康复提供了一个有希望的途径.
- 基于脑电图 (EEG) 的BCI面临着工件的挑战,使运动歧视复杂化,特别是在踩踏任务中.
研究的目的:
- 提出和评估基于共同空间模式 (CSP) 的方法,以使用EEG来分类踩踏机动任务.
- 为了解决基于EEG的BCI对踏板的运动歧视的挑战,这是一个未经探索的领域.
- 为了提高解码运动意图的准确性,用于康复应用.
主要方法:
- 实施过器银行共同空间模式 (FBCSP) 和过器银行共同空间-光谱模式 (FBCSSP).
- 使用不同的空间过配置和过器银行组合.
- 分析了从8名参与者执行踩踏任务的内部EEG数据集.
主要成果:
- 最优的配置涉及两个过器银行 (8-19 Hz和19-30 Hz) 与1.5-2.5秒的时间窗口和两个空间过器.
- 获得了大约0.81.1的准确性.
- 报告的假阳性率低于0.19和卡帕指数为0.61.
结论:
- 在踩踏时的EEG振荡模式可以使用机器学习准确地分类.
- 拟议的FBCSP和FBCSSP方法显示了解码踩踏任务的巨大潜力.
- 这项研究支持这些方法在康复环境中的未来应用,例如基于机动小型运动自行车 (MMEB) 的BCI.
