基于跨任务迁移的 EEG 分类器以避免机器人辅助康复中的训练环节
信号处理
2024-02-29 v1 机器学习
摘要
背景：对于个体化康复期间的患者支持，来自人体脑电图（EEG）的机器学习模型个体化学习是必需的。我们的做法允许在无需特定训练环节的情况下记录标记训练数据。为此，计划中的外骨骼辅助康复使其能够进行双侧镜像疗法，此时可从未受影响肢的活动中推断运动意图。在此疗法期间，可收集标记EEG数据，以启用对仅受影响肢的运动预测。方法：对8名健康受试者进行了研究，评估了分类器迁移方法的性能。每个受试者在EEG记录的同时完成了40次自意图的单侧和双侧到达目标动作的3轮。对在两种运动条件下训练的支持向量机（SVM）分类器进行了预测。此外，还评估了仅在双侧运动条件下训练的数据来预测单侧运动的分类器。结果：结果表明，基于双侧运动意图引发的特定EEG通道训练的分类器性能，不显著低于直接训练包括单侧运动意图的EEG数据的分类器。此外，结果显示，我们的方法即使仅使用8个甚至4个通道也同样有效。结论：本文提出的分类器迁移方法无需显式收集训练数据即可实现运动预测。由于该方法即使在少数几个EEG通道下也可应用，这表明其在患者治疗期间的可行性，并为在中风患者身上进一步探索提供了动力。
引用
@article{arxiv.2402.17790,
title = {EEG classifier cross-task transfer to avoid training sessions in robot-assisted rehabilitation},
author = {Niklas Kueper and Su Kyoung Kim and Elsa Andrea Kirchner},
journal= {arXiv preprint arXiv:2402.17790},
year = {2024}
}
备注
11 pages, 6 figures, 1 table