集成脑电图源定位和残余卷积神经网络,用于高级中风康复
Sina Makhdoomi Kaviri1, Ramana Vinjamuri1
1Department of Computer Science and Electrical Engineering, University of Maryland Baltimore County, Baltimore, MD 21250, USA.
Bioengineering (Basel, Switzerland)
|October 25, 2024
概括
先进的源本地化技术显著改善了用于中风康复的脑电图 (EEG) 分类. 这种方法提高了大脑与计算机界面的准确性,用于运动任务的识别,有助于恢复.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 康复医学 康复医学 康复医学
背景情况:
- 脑卒中引起的运动障碍严重影响日常生活,需要有效的康复.
- 从脑电图 (EEG) 数据中准确分类运动任务对于神经康复策略至关重要.
- 现有的传感器域EEG方法在捕捉中风患者的大脑活动方面显示出有限的准确性.
研究的目的:
- 开发和评估一种新的方法来分类运动任务 (左手图像,右手图像,休息) 在急性中风患者使用EEG.
- 研究先进的源定位技术与定制的残余卷积神经网络 (ResNetCNN) 结合的有效性,以改进EEG空间模式识别.
- 为了比较源域分析与传统传感器域方法的性能.
主要方法:
- 利用了急性中风患者的EEG数据.
- 应用了先进的源定位技术:最小规范估计 (MNE),二极管配合和束形.
- 将这些技术与定制的残余卷积神经网络 (ResNetCNN) 架构集成,用于分类.
主要成果:
- 获得了优异的分类准确度:91.03% (双极配件),89.07% (MNE) 和87.17% (光束成形).
- 与传统的传感器域方法相比,显示出显著的改进,其范围从55.57%到72.21%.
- 突出了从传感器到源域过渡的有效性,以精确捕捉大脑活动.
结论:
- 新的源域EEG分类方法显著提高了中风患者的准确性和可靠性.
- 这种方法对于在神经康复中推进脑电脑接口 (BCI) 有很大的潜力.
- 强调需要先进的EEG技术来制定精确的,个性化的治疗计划,以改善运动功能的恢复.
