基于 EEG 皮层源特征利用残差 CNN-LSTM 神经网络解码手部运动学
信号处理
2023-12-27 v1
摘要
利用脑信号进行运动学解码（MKD）对于开发用于康复或假肢设备的脑机接口（BCI）系统至关重要。表面脑电图（EEG）信号已被广泛用于 MKD。然而，从皮层源进行运动学解码很少被探索。在这项工作中，探索了利用 EEG 皮层源信号对抓握和抬起任务进行手部运动学解码的可行性。特别地，利用了运动前 EEG 段。提出了一种基于残差卷积神经网络（CNN）-长短期记忆（LSTM）的运动学解码模型，该模型利用运动前脑活动中存在的运动神经信息。利用运动发作前 50 ms 的各种 EEG 窗口进行手部运动学解码。实际与预测手部运动学之间的相关值（CV）被用作源域和传感器域的性能度量。所提出的深度学习模型的性能在传感器域和源域中进行了比较。结果证明了利用运动前 EEG 皮层源数据进行手部运动学解码的可行性。
引用
@article{arxiv.2304.06321,
title = {EEG Cortical Source Feature based Hand Kinematics Decoding using Residual CNN-LSTM Neural Network},
author = {Anant Jain and Lalan Kumar},
journal= {arXiv preprint arXiv:2304.06321},
year = {2023}
}