从使用深度学习的EEG重建连续的手握运动

科学领域:

• 神经技术的神经技术
• 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:

• 大脑计算机接口 (BCI) 允许非肌肉设备控制.
• 运动轨迹预测 (MTP) 提供连续的BCI控制,但面临信号对噪声的挑战,特别是在非侵入性环境中.
• 以前的研究集中在四肢动力学上,忽视了关键的手指运动.

研究的目的:

• 探索非侵入性脑电图 (EEG) 用于重建握手时的手指运动.
• 解决BCI研究中关于手部精细运动控制的差距.
• 评估MTP-BCI用于指部运动解码的可行性.

主要方法:

• 开发了一种新的实验范式,用于在手的自然打开/关闭动作期间收集多通道EEG数据.
• 利用最先进的深度学习算法,包括注意力的卷积神经网络,用于连续解码八个手指关节.
• 实施了用于手握周期检测的后期指标,并应用了可解释的AI来进行特征分析.

主要成果:

• 使用注意力卷积神经网络模型,实现了指关节运动的平均解码性能r=0.63.
• 从重建的运动信号中成功检测到83.5%的手握,这表明BCI命令的潜力.
• 使用可解释AI识别训练特征的地形相关性,增强对EEG信号源的理解.

结论:

• 证明了使用非侵入性EEG来重建详细的手关节运动的可行性.
• 强调了MTP-BCI在先进控制和康复应用中的巨大潜力,特别是在手部功能方面.
• 铺平了未来研究高精度,非侵入性BCI系统的道路,利用手指运动解码.