通过CNN-LSTM从3D时空EEG解码肌肉活动

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
• 信号处理 信号处理

背景情况:

• 非侵入性脑电脑接口 (BCI) 旨在从脑电图 (EEG) 信号中重建肌肉活动.
• 从复杂的脑电图数据中提取与肌肉相关的信号,由于来自不同皮层区域的信号混合而带来重大挑战.

研究的目的:

• 引入和评估一种新的深度学习方法,用于估计抓取和举起 (GAL) 任务期间从非侵入性脑电图信号的肌肉活动.
• 将拟议的深度学习模型的性能与传统解码方法进行比较.

主要方法:

• EEG特征从三角波,三角波,α,β和波频段中提取出来,计算为类似于电肌图 (EMG) 包裹的包裹.
• 采用了深度学习模型,将卷积神经网络 (CNN) 用于空间和长短期记忆 (LSTM) 用于时间信息.
• 该CNN-LSTM模型与多变量线性回归 (mLR) 和多层感知子 (MLP) 解码方法进行了基准测试.

主要成果:

• 该CNN-LSTM模型实现了0.21 ± 0.05的平均规范化根平均平方误差 (nRMSE) 和0.54 ± 0.17.2的确定系数 (R2).
• 该模型显示了与mLR和MLP相比的显著改善 (p < 0.016),更高的EEG频率显示出更高的解码效率.
• 估计和实际肌肉活动之间的相关系数 (CC) 平均为0.76 ± 0.10.

结论:

• 提出的深度学习方法有效地捕捉了非线性脑肌活动关系.
• 该方法具有显著的潜力,可以提高非侵入性BCI的准确性和可靠性.