基于通道智能累积尖列车的手腕角度和握力同时解码
IEEE journal of biomedical and health informatics
|June 25, 2025
概括
这项研究引入了通道式累积尖峰列车 (cw-CST) 来同时解码手腕角度和从神经信号中掌握力量,提高人机界面的准确性和稳定性.
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
- 人机接口 人机接口
背景情况:
- 从神经信号同时解码手腕角度和握力对于先进的人机界面至关重要.
- 目前的方法在准确捕获复杂的神经肌肉控制信号方面面临挑战.
研究的目的:
- 提出并验证一种新型方案,使用通道式累积尖列车 (cw-CST) 来同时解码手腕角度和握力.
- 为了比较cw-CST衍生功能的性能与传统发动机单元放电率功能的性能.
主要方法:
- 利用空间尖峰检测从表面肌电图中提取cw-CST,最大限度地观察运动单元活动.
- 提取了三个神经特征:cw-MUdrive,DR-cwCST (来源于cw-CST) 和DR-MUST (传统).
- 采用高斯过程回归用于手腕和手部特定的解码器,以估计十个受试者的角度和力.
主要成果:
- 与传统的DR-MUST功能相比,基于cw-CST的神经特征表现出更高的准确性和稳定性.
- 在抓力估计方面,cw-MUdrive功能表现优于DR-cwCST.
- 在手腕角度估计方面,DR-cwCST的性能与cW-MUdrive的性能相当.
结论:
- 拟议的cw-CST方案提供了一种有效的解决方案,用于同时解码手腕运动和握力.
- 这一进步促进了神经界面应用程序中更自然和直观的控制.
- 这些发现为改进的假肢设备和辅助技术铺平了道路.
