在指尖运动任务中解码来自EEG信号的内在动作波动

科学领域:

• 神经科学是一个神经科学.
• 康复工程 康复工程 康复工程
• 人与计算机的交互

背景情况:

• 高度的精神参与对于有效的运动康复至关重要.
• 流动体验,一种深度参与的状态,是康复任务中理想但具有挑战性的目标.
• 现有的流量研究往往缺乏客观的,连续的测量,特别是在运动任务.

研究的目的:

• 在虚拟现实细指尖运动任务中,解码来自电脑电图 (EEG) 信号的流体体验的内在波动.
• 解决关于实时波动和神经相关的流量研究的差距.
• 开发一种机器学习模型,用于分类高流量与低流量状态.

主要方法:

• 采用基于虚拟现实的细指尖运动任务,具有适应性困难.
• 运动行为测量被用来表示和标记流动状态,克服稀疏的自我报告.
• 使用光谱功率和连贯性特征分析了EEG信号,以训练基于机器学习的神经解码器.

主要成果:

• 神经解码器在区分高流量和低流量状态方面实现了超过80%的分类准确度.
• 在EEG活动中的高频频段被确定为流解码的重要贡献者.
• 在高流量期间,观察到 parietal-occipital 电极的功率增加和 alpha 和 beta 波段的全局连贯性.

结论:

• 使用EEG解读精细运动任务期间的内在流量波动,可实现高精度.
• 这些发现支持使用基于EEG的神经解码来客观评估康复中的流量.
• 这种方法为未来的干预提供了基础,旨在操纵流量并加强运动康复的参与.