利用 NeuroKinect 推进脑机接口系统在手部轨迹估计中的性能

脑机接口（BCI）技术实现了大脑与外部设备之间的直接通信，使个体能够使用脑信号控制其环境。然而，现有 BCI 方法面临三个阻碍其实用性与有效性的关键挑战：a) 耗时的预处理算法，b) 不恰当的损失函数使用，以及 c) 不够直观的超参数设置。为解决这些局限，我们提出了 \textit{NeuroKinect}，一种利用脑电图（EEG）信号精确重建手部运动学的创新深度学习模型。\textit{NeuroKinect} 模型在 Grasp and Lift（GAL）任务数据上以最小预处理流程进行训练，从而提升了计算效率。\textit{NeuroKinect} 引入的一个显著改进是使用了一种称为 $\mathcal{L}_{\text{Stat}}$ 的新损失函数。该损失函数解决了手部运动学预测中相关性与均方误差之间的不一致。此外，我们的研究强调了参数选择背后的科学直觉以提升精度。我们通过采用事件相关电位与脑源定位（BSL）结果来分析运动任务的空间与时间动态。该方法为最优参数选择提供了有价值的见解，提升了 \textit{NeuroKinect} 模型的整体性能与精度。我们的模型在预测与实际手部运动之间展现出强相关性，X、Y 和 Z 维度的平均 Pearson 相关系数分别为 0.92（$\pm$0.015）、0.93（$\pm$0.019）和 0.83（$\pm$0.018）。\textit{NeuroKinect} 的精度由 X、Y 和 Z 维度分别低至 0.016（$\pm$0.001）、0.015（$\pm$0.002）和 0.017（$\pm$0.005）的均方误差（MSE）所证明。