面向运动学习的机器学习：基于 EEG 的认知投入连续评估用于自适应康复机器人

尽管认知投入（CE）对运动学习至关重要，但它在康复机器人中仍未得到充分利用，部分原因是其评估目前依赖于间歇性获取的主观且粗略的测量。在此，我们提出一个端到端计算框架，使用脑电图（EEG）信号作为客观测量实时评估 CE。该框架包括 i) 一个深度卷积神经网络（CNN），提取任务判别的时空 EEG 以预测两类——认知投入与未投入——的 CE 水平；以及 ii) 一种新颖的滑动窗口方法，实时预测连续的 CE 水平。我们在一个自有的 Go/No-Go 实验上对该框架在 8 名受试者上进行了评估，该实验调整其游戏参数以诱发认知疲劳。所提出的 CNN 平均留一法准确率为 88.13%。CE 预测与每 5 分钟采集的基于自报告常用行为指标相关性良好（$\rho$=0.93）。我们的结果实时客观化了 CE，并为将 CE 用作康复参数以根据每位患者的需求与技能定制机器人疗法铺平了道路。