在使用EEG和EMG信号对上肢运动进行分类时使用人工智能:一篇评论

科学领域:

• 神经科学和生物医学工程
• 医疗保健中的人工智能
• 用于康复的信号处理.

背景情况:

• 人工智能 (AI) 越来越多地被用于使用神经生理信号来分类上肢运动.
• 该领域已经从传统的机器学习 (TML) 到深度学习 (DL) 架构发生了重大转变.
• 脑电图 (EEG) 和脑电图 (EMG) 是捕捉运动意图的关键方式.

研究的目的:

• 系统地审查人工智能的应用,通过EEG和EMG信号对上肢运动进行分类.
• 在这个领域分析从TML到DL方法的进展.
• 识别趋势,不同AI架构的性能和当前的局限性.

主要方法:

• 在PubMed,IEEEEXplore和Web of Science数据库中进行系统的文献搜索.
• 遵守系统审查和元分析 (PRISMA) 准则的首选报告项目.
• 分析了截至2025年6月发表的301项符合条件的研究,重点关注上肢运动的AI分类技术.

主要成果:

• 对于DL架构 (例如卷积神经网络 (CNN),长期短期记忆 (LSTM) 网络,变压器) 而不是TML方法 (例如线性差异分析 (LDA),支向量机器 (SVM)) 的明显趋势.
• CNNs是最常见的DL方法,尽管新的架构显示出高性能.
• 尽管DL取得了进步,但TML模型由于效率和稳定性而保持相关性;与单独EEG (60%) 相比,混合EEG-EMG系统的利用率显著不足 (7%).

结论:

• 人工智能,特别是DL,正在从神经生理信号显著推进上肢运动分类.
• 虽然DL方法越来越突出,但TML方法仍然很重要.
• 混合EEG-EMG信号融合为提高分类准确性和系统性能提供了相当大的,但在很大程度上尚未开发的机会.