通过集成的EMG和ECoG数据对子的挤压任务进行精细的力估计:卡尔曼波方法

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
• 康复科学 康复科学 康复科学

背景情况:

• 精确解码运动意图对于有效的脑电脑接口 (BCI) 至关重要.
• 当前的BCI经常在精确的力量估计方面扎,限制了它们的功能应用.
• 电皮质谱 (ECoG) 提供高分辨率的神经信号,但整合外围信息可以增强解码.

研究的目的:

• 开发一个增强的卡尔曼波器,以提高使用BCI进行击任务的力估计.
• 研究将电动肌谱 (EMG) 与ECoG信号集成为电机输出解码的好处.
• 通过结合肌肉骨动力学来提高力预测的准确性.

主要方法:

• 设计了一种增强的卡尔曼过器,以集成ECoG和EMG数据.
• 在卡尔曼波器框架中,EMG信号被纳入为状态变量.
• 这种方法在人类参与者执行挤压任务时进行了测试,以确定力估计的准确性.

主要成果:

• 与单独使用ECoG相比,综合ECoG-EMG方法显著提高了力估计的准确性.
• 增强的解码性能在动态力变化期间尤其显著.
• 纳入EMG数据有效地捕获了与运动输出相关的肌肉骨动态.

结论:

• 通过EMG将肌肉骨动力学整合到基于ECoG的BCI中,大大改善了运动解码.
• 这种增强的方法有望促进假肢控制.
• 这些发现表明,对于运动障碍患者来说,有了更有效的运动康复策略的途径.