一个EEG-EMG数据集从一个标准化的达到任务,用于生物标志物研究在上肢评估
Florencia Garro1, Elena Fenoglio2,3, Indya Ceroni2,3
1Italian Institute of Technology, Rehab Technologies Lab, Genoa, 16163, Italy. florencia.garro@iit.it.
Scientific data
|May 20, 2025
概括
这项研究引入了高密度脑电图 (hd-EEG) 和表面肌电图 (sEMG) 的新数据集,用于分析上肢外骨架使用期间的神经机械反应. 这些数据支持辅助技术和生物信号处理的研究.
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
- 机器人技术 机器人技术 机器人技术
背景情况:
- 像上肢外骨架这样的辅助技术需要强大的方法来评估它们对神经机械控制的影响.
- 了解电生理生物标志物对于评估人机交互在运动任务中的有效性至关重要.
研究的目的:
- 提出一种新型数据集,将高密度EEG (hd-EEG) 和表面EMG (sEMG) 结合起来,用于研究神经机械反应,在达到任务时使用或不使用外骨架辅助.
- 促进对电生理学生物标志物的探索,以评估辅助技术和推进生物信号处理研究.
主要方法:
- 收集了40名健康参与者的hd-EEG和sEMG数据,他们使用定制触摸面板执行标准化的伸手任务.
- 根据大脑成像数据结构 (BIDS) 标准对数据集进行格式化,以确保FAIR数据原则.
- 对EEG进行了主体级分析,包括与事件相关的光谱扰动 (ERSP),试验间一致性 (ITC) 和与事件相关的同步/脱同步 (ERS/ERD),以及EMG的时间/频域分解.
主要成果:
- 该数据集提供了全面的神经机械数据,捕捉了外骨辅助运动期间人类的反应.
- 质量控制分析证明了EEG和EMG信号的完整性,包括与事件相关的光谱扰动和时间频率分解.
- 数据结构良好,符合BIDS标准,使其在各种研究应用中更容易使用.
结论:
- 这一数据集是评估上肢辅助技术和推进生物信号处理技术的宝贵资源.
- 它支持机器学习的研究,用于特征提取,分类,神经机械调制研究,人机交互和混合脑机接口 (BCI).
