基于EEG的运动解码在运动障碍患者通过提取和调整神经模式与健康个体

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
• 机器学习 机器学习

背景情况:

• 大脑-计算机接口 (BCI) 对神经康复至关重要,但由于数据收集困难和模型通用性问题,它面临着运动障碍患者的挑战.
• 与健康个体相比,现有的BCI模型很难适应患者独特的脑功能结构和运动行为.

研究的目的:

• 开发一种新的转移学习模型,TL-ME,以提高运动障碍患者的运动解码精度.
• 弥合健康个体和患者之间的数据差距,以改善神经康复中的BCI性能.

主要方法:

• 拟议的TL-ME模型整合了基于注意力的特征提取,对抗性域区分,多源选择和运动分类器.
• 利用转移学习将知识从健康个体的脑电图 (EEG) 数据 (源域) 转移到患者的EEG数据 (目标域).
• 使用时间和光谱可视化来分析共享的运动任务大脑激活模式.

主要成果:

• 在使用TL-ME模型的运动障碍患者的上肢运动解码精度得到了10.8%的改善.
• 在TL-ME框架内,每个模块都取得了显著的绩效增长.
• 视觉化分析证实了健康个体和患者之间类似的大脑激活模式,验证了跨人群数据的可转移性.

结论:

• TL-ME模型提供了一种新的跨人群转移学习方法,用于增强基于BCI的神经康复中的神经解码.
• 成功地利用健康个体的EEG数据来改进患者特定的模型,解决当前BCI研究的关键局限性.
• 这项工作有助于将BCI技术从实验环境转化为动力受损人群的现实应用.