EEG2GAIT:基于EEG的步行解码的层次图形卷积网络

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:

• 从脑电图 (EEG) 信号中解码步态动态是具有挑战性的,因为复杂的运动过程和有限的高质量数据集.
• 精确的时间和光谱特征提取对于可靠的步态解码至关重要.

研究的目的:

• 引入EEG2GAIT,这是一个基于图形的新型层次模型,用于基于EEG的增强步行解码.
• 通过混合时光光谱奖励 (HTSR) 损失函数来提高解码性能.
• 为推动该领域的研究提供新的步行EEG数据集 (GED).

主要方法:

• 使用层次图形卷积网络 (GCN) 金字塔来捕捉EEG通道的多层空间嵌入.
• 开发了一个混合时光谱奖励 (HTSR) 损失函数,集成时间域,频域和基于奖励的组件.
• 收集并同步了一个新的步行EEG数据集 (GED) 与50名参与者的下肢关节角度数据.

主要成果:

• 使用HTSR的EEG2GAIT在GED数据集上实现了高性能 (r=0.959,R²=0.914,MAE=0.193).
• 在MoBI数据集上表现优于现有方法 (r=0.779,R²=0.597,MAE=4.384).
• 移除和突出性研究验证了模型的组件,并突出显示了与运动相关的大脑区域的参与.

结论:

• 带有HTSR的EEG2GAIT在解码EEG信号的步态动态方面表现出卓越的性能.
• 该模型显示了大脑-计算机接口应用程序的重大潜力,特别是在下肢康复中.
• 开发的数据集和模型为未来的步态分析和BCI研究提供了宝贵的资源.