基于深度学习的脑机界面以异步控制下肢机器人外骨架:一个案例研究
Laura Ferrero1,2,3,4,5, Paula Soriano-Segura6,7,8, Jacobo Navarro9,10,11
1Brain-Machine Interface Systems Lab, Miguel Hernández University of Elche, Elche, Spain. lferrero@umh.es.
Journal of neuroengineering and rehabilitation
|April 5, 2024
概括
这项研究开发了一种深度学习的大脑机器接口 (BMI),用于控制机器人外骨架. 微调所有模型层实现了最佳性能,朝着无校准控制迈进.
科学领域:
- 神经科学是一个神经科学.
- 机器人技术 机器人技术 机器人技术
- 机器学习 机器学习
背景情况:
- 传统的大脑机器接口 (BMIs) 在特征提取和转移学习方面存在局限性.
- 深度学习提供自动功能提取和转移学习,以提高BMI性能.
- 这项研究重点是针对下肢机器人外骨架的基于运动图像 (MI) 的BMI.
研究的目的:
- 开发和评估基于深度学习的BMI来控制下肢机器人外骨架.
- 调查转移学习和模型微调在BMI发展中的有效性.
- 为了比较不同的深度学习方法来解码神经信号在异步BMI协议.
主要方法:
- 五个健康的受试者参加了实验性会议,收集大脑信号.
- 一个通用的深度学习模型是使用从最初的会议转移学习开发的.
- 我们比较了三种深度学习方法:没有微调,全微调和部分微调 (最后三层).
- 评估涉及使用神经活动对外骨的闭环控制.
主要成果:
- 深度学习方法的表现优于传统的基于空间特征的方法.
- 一个非微调的深度学习模型显示了与基于特征的方法可比的性能.
- 微调深度学习模型的所有层次产生了最高的性能.
- 转移学习展示了跨学科和课程的通用模型的潜力.
结论:
- 这项研究是迈向无校准的BMI方法的一步,减少了训练时间.
- 没有完全消除校准,但取得了重大进展.
- 异步协议增强了对象的自主权,模仿真实世界的场景.
- 这些发现支持BMI技术的进步,以减少用户培训,控制外骨.
