对多式联动EMG-EEG融合策略的研究,用于上肢手势分类

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 神经科学是一个神经科学.

背景情况:

• 上肢手势识别对于推进机器人假肢至关重要.
• 目前基于电肌图 (EMG) 和电脑图 (EEG) 的分类方法往往缺乏方法论的严谨性和通用性.
• 现有的研究经常难以对细粒度的手势进行分类,并证明独立于主体的表现.

研究的目的:

• 评估三种多式联接架构用于手势分类中的EMG和EEG数据.
• 引入一种新的等级融合策略.
• 在主题特定和主题独立的场景中评估绩效.

主要方法:

• 使用自动机器学习 (Combined Algorithm Selection & Hyperparameter Optimization - CASH) 开发了一种不偏见的方法来设计分类器.
• 实现了一个端到端的数据处理,算法开发,建模和公平比较管道.
• 根据卷积神经网络 (CNN) 的基线,对三个融合架构进行了评估,其中包括一个新的层次组合.

主要成果:

• 与单独的EMG相比,EMG-EEG融合显著提高了单手多姿势分类的独立对象准确性.
• 基于CASH的方法产生了比以前推的更准确的主题特定分类器设计.
• 这部新的"等级组合"超越了标准的CNN架构.
• 独立于对象的EEG准确性与对象特定的方法在更简单的任务中具有竞争力.

结论:

• 本研究建立了一个系统的,自动化的框架,用于无偏见的设计和测试多式联运生物信号融合架构.
• 拟议的端到端管道提高了生物信号分类研究的可靠性和严格性,减轻了脑计算机接口 (BCI) 研究中常见的偏见.
• 新的层次融合架构在复杂的手势分类任务中表现出有效性,超越了现有的方法.