使用脑电图信号对相同肢体的不同运动图像任务进行分类
Eric Kauati-Saito1, André da Silva Pereira2, Ana Paula Fontana3
1Laboratory of Medical Signal and Images Processing, Biomedical Engineering Program, Alberto Luiz Coimbra Institute for Graduate Studies and Research in Engineering (COPPE), Federal University of Rio de Janeiro (UFRJ), Rio de Janeiro 21941-901, Brazil.
Sensors (Basel, Switzerland)
|September 13, 2025
概括
大脑计算机接口 (BCI) 在中风后的神经康复方面表现有前途. 这项研究发现,对于不同肢体运动图像 (MI) 有效的标准EEG信号处理技术在同一肢体MI任务中表现不佳,这表明需要新的方法.
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
- 康复科学 康复科学 康复科学
背景情况:
- 脑卒中经常导致长期的运动缺陷,需要先进的神经康复策略.
- 使用来自运动图像 (MI) 的电脑脑图像 (EEG) 信号的脑电脑接口 (BCI) 通过促进神经可塑性,为运动恢复提供了一个有希望的途径.
- 有效的BCI控制依赖于优化顺序信号处理阶段:记录,预处理,特征提取/选择和分类.
研究的目的:
- 确定特征提取技术,时间窗口,频率范围和MI-EEG信号分类分类器的最佳组合.
- 在两个不同的数据集上评估这些优化的BCI参数的性能:BCI Competition 2008 IV 2a (BCI-C) 和定制的NeuroSCP数据集.
- 调查MI-EEG标准分类方法在区分不同肢体运动与同一肢体运动中的有效性.
主要方法:
- 系统地寻找MI-EEG分类的最佳参数组合 (特征提取,时间窗口,频率范围,分类器).
- 使用BCI竞争2008 IV 2a数据集 (多肢MI) 和NeuroSCP数据集 (同一肢MI) 的评估.
- 在数据集之间对分类准确性的比较分析,以评估肢体特异性对BCI性能的影响.
主要成果:
- BCI-C数据集 (不同四肢) 的平均分类准确率为76%,个别准确率从54%到94%不等.
- 而NeuroSCP数据集 (相同的肢体) 的平均分类准确率较低,为53%,个别结果在35%至71%之间.
- 性能差异突出显示,成功用于多肢MI分类的技术对于同一肢MI任务是不理想的.
结论:
- 标准的EEG特征提取和分类方法在区分同一肢体与不同肢体的运动图像方面效率较低.
- 这些发现表明需要新的特征提取方法,例如EEG功能连接,以改进同一四肢MI分类.
- 未来的研究应该探索先进的技术,以提高BCI在神经康复中的表现,对于具有特定,相同四肢运动障碍的患者.
