基于深度学习的ECoG信号解码为三维手部平移
信号处理
2022-04-01 v1 机器学习
摘要
运动脑机接口（BCI）是一项有前景的技术，可使运动障碍者与外部环境交互。设计实时且准确的BCI对于使此类设备在真实环境中对患者有用、安全且易用至关重要。基于皮层电图（ECoG）的BCI在记录设备侵入性与所记录信号良好时空分辨率之间取得了良好折衷。然而，大多数用于预测连续手部运动的ECoG信号解码器为线性模型。这些模型表征能力有限，可能不足以捕捉ECoG信号与连续手部运动间的关系。深度学习（DL）模型作为众多问题中的最优方法，或可更好地捕捉该关系。本研究中，我们测试了若干基于DL的架构，利用从ECoG信号提取的时频特征预测想象的三维连续手部平移。分析所用数据集来自一项长期临床试验（ClinicalTrials.gov标识符：NCT02550522），并于一名四肢瘫痪受试者闭环实验中采集。所提架构包括多层感知机（MLP）、卷积神经网络（CNN）与长短期记忆网络（LSTM）。基于DL与多线性模型的准确率使用余弦相似度离线比较。结果显示，基于CNN的架构优于当前最优多线性模型。最佳架构通过CNN利用相邻电极间空间相关性，并借助LSTM受益于期望手部轨迹的序列特性。总体而言，与多线性模型相比，DL将平均余弦相似度分别对于左手和右手从0.189提升至0.302、从0.157提升至0.249，提升达60%。
引用
@article{arxiv.2110.03528,
title = {Decoding ECoG signal into 3D hand translation using deep learning},
author = {Maciej Śliwowski and Matthieu Martin and Antoine Souloumiac and Pierre Blanchart and Tetiana Aksenova},
journal= {arXiv preprint arXiv:2110.03528},
year = {2022}
}