用修改的RNN和各种EEG量来识别肢体内移动性的皮质信号分析
Maged S Al-Quraishi1, Wooi Haw Tan2, Irraivan Elamvazuthi3
1Interdisciplinary Research Center for Smart Mobility and Logistics (IRC-SML), King Fahd University of Petroleum & Minerals (KFUPM), Dhahran, 31261, Saudi Arabia.
Heliyon
|May 10, 2024
概括
与传统方法相比,像GRU和LSTM这样的深度学习模型在从EEG信号中识别脚部运动方面表现出更高的准确性. 这一突破增强了用于足部康复和物理治疗的脑计算机接口开发.
科学领域:
- 神经科学和生物医学工程
- 信号处理和机器学习
背景情况:
- 电脑电图 (EEG) 信号对于预测感觉运动活动至关重要,但难以识别细微的四肢内运动,如脚背/脚部曲.
- 准确识别肢体内运动对于开发有效的脑计算机接口 (BCI) 设备进行运动康复至关重要.
研究的目的:
- 研究各种EEG信号特征在识别肢体内脚部运动中的有效性.
- 开发和评估深度学习模型,以在脚部康复的BCI应用中增强肢体内运动检测.
主要方法:
- 收集了22名参与者的EEG数据,在运动皮层上使用了21个电极,以及对脚运动开始的EMG.
- 分析了阿尔法和β频段的慢皮质潜力 (SCP) 和感觉运动节奏 (SMR),提取了自回归,方差,波形长度,标准偏差和变量等特征.
- 开发和比较修改的循环神经网络 (RNN),包括长短期记忆 (LSTM) 和门式循环单元 (GRU),与传统分类器 (SVM,kNN) 进行运动识别.
主要成果:
- 格鲁和LSTM模型在识别EEG信号特征的四肢内运动方面显著优于传统的机器学习算法.
- LSTM的准确率为98.87% (主题内) 和87.38% (跨主题).
- GRU的准确度达到99.18% (主体内) 和86.44% (跨主体),在运动识别方面表现出很高的表现.
结论:
- 深度学习模型,特别是GRU和LSTM,与标准机器学习技术相比,在使用EEG信号识别肢体内运动方面具有更高的潜力.
- 这些发现为足部康复中先进的BCI设备铺平了道路,改善了物理治疗结果.
- 该研究强调了一种有希望的新方向,通过复杂的EEG信号分析来增强运动康复技术.
