一个高效的深度传输学习网络,用于从多通道EEG记录中表征中风患者的运动执行

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:

• 目前的中风康复机器人往往缺乏直观性,通过强加被动运动,阻碍中风后患者 (PSP) 恢复.
• 现有的方法难以使机器人协助与PSP预期的肢体轨迹保持一致,从而限制了积极参与.

研究的目的:

• 开发一个智能康复机器人 (IRR) 系统,用于PSP的直观运动训练.
• 通过精确地从神经信号解码PSP的运动意图来增强运动功能的恢复.

主要方法:

• 使用深度传输学习驱动网络 (DTLN) 来描述电脑电图 (EEG) 信号中的运动意图签名.
• 采用基于mu频谱 (muFS) 的连续波段转换 (CWT) 方法,用于作为DTLN输入的Scalogram构造.
• 记录了六个PSP的多通道EEG数据,以训练和评估DTLN模型.

主要成果:

• 与相关方法相比,DTLN方法实现了10.84% - 13.19%的显著解码精度增加.
• 在患者之间证明了个别运动执行特征的改进趋同和明显的任务分离性.
• 提出的方法一致而准确地解码了运动任务,优于现有的方法.

结论:

• 开发的DTLN方法使得中风后患者能够准确地解码运动任务.
• 这项技术促进了直观主动的机器人训练,这对于增强PSP的运动功能恢复至关重要.
• 在智能康复机器人中为运动功能受损的个人提供了有前途的进步.