ESI-GAL: 基于脑电溯源成像的抓取与提举任务轨迹估计
信号处理
2024-12-31 v4 人机交互
摘要
基于脑电图(EEG)信号的运动学预测(MKP)一直是开发脑机接口(BCI)系统(如外骨骼、假肢和康复设备)的活跃研究领域。然而，基于脑电溯源成像(ESI)的运动学预测在文献中鲜有探索。在本研究中，利用运动前EEG特征来预测抓取和提举运动任务的三维(3D)手部运动学。使用公开数据集 WAY-EEG-GAL 进行 MKP 分析。具体而言，探索了来自额顶叶区域的传感器域(EEG数据)和源域(ESI数据)特征用于 MKP。探索了基于深度学习的模型以实现高效的运动学解码。分析了各种时间滞后和窗口大小用于手部运动学预测。随后，进行了受试者内和受试者间 MKP 分析，以研究神经解码器的特定于受试者和独立于受试者的运动学习能力。使用皮尔逊相关系数(PCC)作为运动学轨迹解码的性能指标。rEEGNet 神经解码器在使用传感器域和源域特征时，时间滞后和窗口大小分别为 100 ms 和 450 ms 时取得了最佳性能。使用传感器域特征在 x、y 和 z 方向上获得的最高平均 PCC 值分别为 0.790、0.795 和 0.637，而使用源域特征获得的最高平均 PCC 值分别为 0.769、0.777 和 0.647。本研究探索了使用 EEG 传感器域和源域特征进行抓取和提举任务轨迹预测的可行性。此外，使用所提出的深度学习解码器和 EEG 源域特征进行了受试者间轨迹估计。
引用
@article{arxiv.2406.11500,
title = {ESI-GAL: EEG Source Imaging-based Trajectory Estimation for Grasp and Lift Task},
author = {Anant Jain and Lalan Kumar},
journal= {arXiv preprint arXiv:2406.11500},
year = {2024}
}