在健康和中风受影响的个体中,用BCI控制的机器人手臂持续接触和抓取

科学领域:

• 神经科学和生物医学工程
• 信号处理和机器学习

背景情况:

• 非侵入性脑电脑接口 (BCI) 利用脑电图 (EEG) 信号来控制辅助设备.
• 目前基于EEG的BCI面临由于低信号噪声比和空间分辨率的限制,限制了复杂任务的执行.

研究的目的:

• 为基于EEG的BCI引入一种新的运动图像 (MI) 范式,采用类似于计算机鼠标的"点击"功能.
• 提高BCI系统的自由度,以实现更复杂的控制.
• 评估这种新范式在实现连续触及和抓取任务方面的有效性.

主要方法:

• 开发了一种运动图像 (MI) 范式,添加了一个"点击"信号,集成到2D运动BCI中.
• 深度学习 (DL) 的应用用于EEG数据的信号处理.
• 在线BCI任务涉及虚拟目标选择和使用机器人手臂对物理物体进行操纵,在健康受试者和中风幸存者身上进行了测试.

主要成果:

• 试验对象成功地同时使用增强的BCI控制了运动和点击.
• 平均有7个杯子被操纵 (抓住,移动,放置) 被试者使用机器人手臂在5分钟内.
• 这种模式促进了连续的触摸控制,超越了先前系统中离散动作选择的局限性.

结论:

• 拟议的MI范式通过添加关键的"点击"功能来显著增强基于EEG的BCI,从而增加了系统的灵巧性.
• 这一进步使得复杂的,连续控制机器人手臂的任务,如对象操纵,显示的承诺,现实世界的应用.
• 该研究强调了改进的BCI在临床和日常环境中有利于健康个体和运动障碍患者的潜力.