通过对EEG数据的转移学习,避免在外骨架支持的康复中识别运动意图的特定校准会话
Niklas Kueper1, Su Kyoung Kim1, Elsa Andrea Kirchner2,3
1Robotics Innovation Center, German Research Center for Artificial Intelligence (DFKI), 28359, Bremen, Germany.
Scientific reports
|July 19, 2024
概括
本研究引入了一种转移学习方法,以消除外骨康复中电脑图 (EEG) 模型的漫长校准. 这种方法可以更快,更有效地识别运动意图,这对于患者的康复至关重要.
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:
- 基于外骨的患者支持依赖于用脑电图 (EEG) 数据训练的机器学习模型来解释运动意图.
- 这一领域的一个重大挑战是开发个性化EEG模型所需的大量校准时间.
研究的目的:
- 提出并验证基于EEG的运动意图识别转移学习方法,消除了校准会话的需要.
- 评估这种方法对未来机器人康复应用的可行性,特别是为了推断受影响的手臂运动意图.
主要方法:
- 开发了一个转移学习策略,通过转移经过双边转移意图数据训练的分类器来预测单边移动意图.
- 这种方法最初是通过比较单边和双边移动意图模型而没有转移来评估的.
- 主要评估涉及使用转移的分类器预测单方面意图,绕过校准会话.
主要成果:
- 转移学习场景中的分类性能与没有转移的传统方法相比.
- 即使使用有限数量的EEG频道 (4或8) 也可以实现有效的分类.
- 这项研究表明,有可能在基于EEG的机器人康复中消除校准会话.
结论:
- 拟议的转移学习方法显著减少或消除了对基于EEG的外骨控制中的校准会话的需求.
- 这一进步通过利用在康复过程中获得的数据来简化机器人康复系统的实施.
- 使用最小数量的EEG通道的方法的效率提高了其实用性和临床使用的可访问性.
