使用时频回归和运动-顶叶网络整合改进 EEG 连续抓取力解码.pdfVIP

使用时频回归和运动-顶叶网络整合改进EEG连续抓取力解码

ParthG.Dangi,YogeshKumarMeena

摘要—脑机接口（BMIs）通过增强运动控制显著推进了风患者以及截肢者康复期间恢复上肢运动[5]。在BMI

神经康复。然而，准确解码连续抓握力仍然是一个挑战，这限模型中，基于运动想象的脑机接口（MI-BCI）已经在

制了BMI在精细运动任务中的应用效果。当前的模型倾向于恢复其用户的上肢运动方面取得了显著成功[5]–[7]。

优先考虑算法复杂性，而不是将与力量控制相关的神经生理学

MI-BCI设备记录发生在MI过程中的大脑活动——

见解融入其中，这对于开发有效的神经工程解决方案至关重要。

即在运动执行之前或没有运动执行时对运动进行可视

为了解决这一问题，我们提出了一种基于EEG的方法脑电强

制图，该方法可以分离出前运动-顶叶区域的信号并提取特定任化和计划的过程[8]，并将其转换为机械或计算机硬件

本务组件。我们构建了三个不同的时频特征集，并通过与先前研命令。

究进行比较验证了它们的有效性，并使用这些特征来进行线性、最早的MI-BCI系统成功应用可以追溯到Wolpaw

译非线性和深度学习回归模型下的力量预测。在包含12名受试者等人[9]，他们开发了一个通过想象中的伸手和抓握动

中的WAY-EEG-GAL数据集上评估了这些回归器的性能。结作在虚拟环境中执行到达任务的BCI系统。这一事件

果显示，将EEG力地图方法与回归模型相结合，在受试者特

1促进了MI-BCI系统的迅速发展，尤其是在准确解码

v定条件下（R²=0.815）提高了61.7%，在受试者独立条件下

7（R²=0.785）提高了55.7%。此外，消融研究证实了每个预处连续运动特征方面，如轨迹[5]、速度[10]和方向[11]，

7

6理步骤显著增强了解码精度。这项工作通过改进基于EEG的通过使用单模态[12]和混合BCIs[13]–[16]。然而，解

7动态抓握力解码，为中风康复和辅助机器人中的响应性BMI码诸如力这样的动力特征是有限的，因为早期的研究

0

.的发展做出了贡献。表明力量是以离散方式编码的[17]。因此，早期的动力

8IndexTerms—脑机接口（BMI），抓取力解码，EEG，

0解码器将力量分类为主观类别。然而，最近的研究发现

5前运动-顶叶网络，回归模型

2力量编码在一个定义明确的前运动-顶叶网络中[18]。

:

vI.介绍力控制编码机制[18]的发现开启了以前被认为

i

x是离散特征（如力量[17]）以连续和准确方式解码的

r中风患者和截肢者的人数在全球范围内显著增

a可能性。为了探索这一潜力，过去十年中提出了一些

T加，特别是在年轻人群中。这一趋势在中低收入

直接从大脑活动解码抓握力的方法。早期的研究，例

国家尤为明显，在这些国家，上肢截肢和与中风相关的

如Flint等人[19]的研究，利用了半侵入性成像技术

状况正在稳步增加[1],[2]。来自这些国家的受中风和