神经ODE的应用用于使用EEG对运动控制策略进行分类

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
• 机器学习 机器学习

背景情况:

• 速度与准确性之间的权衡在功能任务中至关重要,影响神经假肢控制策略.
• 了解手腕旋转中的运动控制策略是开发先进神经假肢设备的关键.

研究的目的:

• 为了评估在手腕旋转任务期间不同运动控制策略的可预测性.
• 探索仅使用皮质数据对运动控制策略进行分类的可行性.

主要方法:

• 参与者进行了离散的手腕旋转,并将运动数据聚合到速度或运动范围的策略中.
• 神经常规微分方程 (NODE) 和随机森林 (RF) 模型被用于从皮质数据分类控制策略.

主要成果:

• NODE模型实现了与射频模型相比较的分类准确性,但在更短的时间内.
• 使用较少的皮质数据集群 (一个或两个前端) 产生了与使用所有四个集群相似的准确性.
• 来自特定皮层区域的信息增加可能解释了较少集群的准确性.

结论:

• 节点模型提供了一个有希望的,高效的实时分类在脑电脑界面应用程序的方法.
• 来自特定区域的皮层数据可能足以对运动控制策略进行分类.
• 这项研究通过展示有效的控制策略分类来推进神经假肢的开发.