从具有卷积神经网络的MEG信号中对多个自然主义的同手动作进行强有力的区别
Ivan Zubarev1, Mila Nurminen1, Lauri Parkkonen1,2
1Department of Neuroscience and Biomedical Engineering, Aalto University School ofScience, Espoo, Finland.
Imaging neuroscience (Cambridge, Mass.)
|August 13, 2025
概括
这项研究准确地检测真实和虚构的手动,使用磁脑图 (MEG) 和一种新的AI分类器. 这种对大脑活动的歧视推进了用于运动康复的脑电脑接口.
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
- 人工智能的人工智能
背景情况:
- 由于空间分辨率的限制,用磁脑电图 (MEG) 很难区分多个手部运动的脑活动.
- 开发准确的方法来从大脑信号中解码运动意图对于先进的神经假肢和康复至关重要.
研究的目的:
- 开发和验证一个能够使用MEG区分四种不同的真实和虚拟手动的系统.
- 评估卷积神经网络 (CNN) 分类器从MEG数据中解码这些运动的准确性.
- 识别神经源和频段,有助于对真实和想象的运动进行分类.
主要方法:
- 利用磁脑电图 (MEG) 在真实和想象中的手动中记录大脑活动.
- 开发了一种新的实验范式,并使用卷积神经网络 (CNN) 分类器进行模式识别.
- 进行控制实验以确定经验机会水平并验证发现.
主要成果:
- 实现了高分类准确度:实际运动超过70%,想象运动超过60%.
- 识别出不同的神经模式:对真实运动的相反侧向运动区域的α和β频段.
- 局部信号贡献到后面的腰尾源,用于想象的运动.
结论:
- 通过使用先进的人工智能,证明了从MEG信号中准确区分多个真实和虚拟的手动的可行性.
- 获得的高精度表明了实际应用的潜力,特别是在基于脑计算机接口 (BCI) 的运动康复中.
- 突出了将MEG与CNN结合用于解码复杂的运动意图的实用性.
