使用深度学习方法和EEG解读踏板任务期间下肢运动参数

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
• 生物医学工程 生物医学工程

背景情况:

• 脑卒中会损害运动能力,需要先进的康复工具,如脑电脑接口 (BCI).
• 使用机器人系统与机器人系统的BCI恢复步行功能,例如电动化迷你运动自行车 (MMEB),显示出希望.
• 从电脑电图 (EEG) 信号对连续运动进行准确的动力学估计仍然是一个重大挑战.

研究的目的:

• 为了比较两个人工神经网络 (ANN) 解码器,用于估计踩踏过程中下肢动力学参数.
• 评估使用深度学习 (DL) 在BCI控制的MMEB中进行连续解码的可行性.

主要方法:

• 利用长短期记忆 (LSTM),一种循环神经网络 (RNN),来解码EEG特征.
• 在踩踏任务时估计的脚位置 (x,y) 和膝关节角度.
• 分析了踩踏速度和解码器性能之间的动力变异和相关性.

主要成果:

• 从三角波段EEG特征进行动力参数重建,LSTM获得了大约0.58的皮尔森相关系数 (PCC).
• 拟议的算法在区分踩踏和休息时间方面表现出有效性.
• 在踏板速度和解码器性能之间观察到负线性相关性,这表明在较慢的速度下更容易估计.

结论:

• 深度学习方法可用于估计踩踏过程中的EEG信号下肢动力学.
• 这项研究促进了使用连续解码的BCI开发更强大的MMEB控制器.
• 通过最大限度地提高BCI驱动系统的自由度,研究结果支持增强,个性化康复.