基于EEG信号的外骨架机器人的下肢自愿运动意图的跨领域预测方法

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:

• 外骨架机器人控制需要准确预测人类自愿运动的意图.
• 从脑电图 (EEG) 中使用准备潜力 (RP) 来预测运动意图的现有方法在准确性和概括性方面扎.

研究的目的:

• 开发一个结合CNN和转移学习 (TL) 的深度学习框架,以更好地预测下肢自愿运动的意图.
• 增强跨不同学科和时间点的模型概括性.
• 为外骨架机器人系统响应提供足够的处理时间.

主要方法:

• 分析了下肢运动的RP信号特征.
• 提出了一个基于CNN的参数TL策略,用于意图预测.
• 招募了10名受试者进行线下和线上实验.
• 利用多变量实证模式分解来去除工件,以及用电肌图来标记运动开始.

主要成果:

• 线下实验显示出高预测准确度:95.23%±1.25%的右腿和91.21%±1.48%的左腿.
• 该方法显示出良好的跨时间和跨主题概括性,显著减少了培训时间.
• 在线预测达到82.75%的准确性,大约在运动开始前483.9毫秒.

结论:

• 拟议的CNN-TL方法提供了更高的预测准确度和更短的训练时间,用于下肢运动的意图.
• 该模型具有强大的概括能力,对于实际应用至关重要.
• 这种方法为先进的外骨架机器人控制系统奠定了基础.