在中风后基于sEMG分解和残留尖端神经网络的基础上识别精细手动意图

科学领域:

• 神经科学和生物医学工程
• 神经形态计算是一种神经形态计算.
• 康复技术 康复技术 康复技术

背景情况:

• 在中风幸存者的精细运动功能障碍显著损害日常活动.
• 有效的机器人辅助康复需要从表面电肌图 (sEMG) 中精确解码手动意图.
• 目前基于sEMG的方法,包括使用动力单元尖峰列车 (MUST) 的方法,往往未充分利用sEMG分解的全部潜力,特别是在中风后的人群中.

研究的目的:

• 提出和评估一个新的手动意图识别框架,将sEMG分解与残余尖端神经网络 (Res-SNN) 集成在一起.
• 评估框架在神经典型个体和中风幸存者的表现.
• 将拟议的Res-SNN框架与传统的基于sEMG的深度残余网络 (ResNet) 和基于MUST的卷积SNN (CSNN) 进行比较.

主要方法:

• 记录了14个神经类型个体和7名中风幸存者的sEMG信号,他们执行了35个不同的精细的手和手腕运动.
• 开发了一个框架,将sEMG信号分解与残余尖端神经网络 (Res-SNN) 集成,用于动作意图识别.
• 评估Res-SNN的表现,将其与神经类型和中风后队列中的ResNet和CSNN进行比较.

主要成果:

• 拟议的Res-SNN框架在神经类型和中风后队列中实现了超过0.95的分类准确性.
• 在两组中,Res-SNN显著优于ResNet (神经典型:>0.95与0.84±0.08;中风后:>0.95与0.90±0.04).
• 虽然在神经类型患者中与CSNN相比,但Res-SNN在中风幸存者中显著优于CSNN (0.95±0.03对比0.71±0.16,P<0.001),在这个人群中显示出更高的疗效. 该系统还显示了较低的推断功耗 (5.41 mJ·s).

结论:

• 集成sEMG分解与Res-SNN提供了一个高度准确和节能的解决方案,用于识别中风幸存者的手动意图.
• 这种方法推进了用于康复的人机界面的神经解码技术和神经形态计算应用.
• 开发的框架对改善机器人辅助康复和提高中风康复者的生活质量具有重大前景.