一个EEG-sEMG异步时间频率渐进融合模型用于手的轨迹估计

科学领域:

• 生物医学工程 生物医学工程
• 神经科学是一个神经科学.
• 信号处理 信号处理

背景情况:

• 从生理信号准确的运动轨迹估计对于先进的运动康复和生物设备至关重要.
• 现有的脑电图 (EEG) 和表面电肌图 (sEMG) 融合方法通常假定时间对齐,忽视信号延迟和降低连续运动解码性能.

研究的目的:

• 提出AtpFusion,一种非同步的时间频率渐进融合模型,用于使用EEG和sEMG进行增强的3D手轨迹解码.
• 解决当前多式融合技术中的语义错位和不充分的一致性表示问题.

主要方法:

• 开发了使用长短时间窗口细分策略进行语义对齐的异步时间频率输入.
• 使用长窗口频率域EEG (振幅/相) 和短窗口时间域sEMG信号.
• 实现了一种渐进的层次融合架构,具有模式内和模式间的分支,用于功能改进和集成.

主要成果:

• 在WAY-EEG-GAL数据集上实现了最先进的精度,用于连续手轨迹估计.
• 获得了0.9278的皮尔森相关系数 (PCC) 和0.0916.0的根平均平方误差 (RMSE).
• 显著优于现有的EEG-sEMG融合方法来实现连续运动解码.

结论:

• AtpFusion为高性能多式联络双声接口提供了一个新的异步EEG-sEMG融合框架.
• 该模型在解码连续运动轨迹方面取得了重大进展,为更复杂的康复和假肢技术铺平了道路.