PreMovNet：基于运动前EEG的手运动学估计用于抓取与举升任务
信号处理
2022-08-30 v2
摘要
从脑活动解码运动学有助于开发康复或助力增强型脑机接口设备。从非侵入式脑电图（EEG）记录的低频信号与用于运动轨迹解码（MTD）的神经运动相关性有关。本文研究了从健康被试的运动前 delta 频段（0.5-3 Hz）EEG 解码运动学轨迹的能力。具体地，提出了两种基于深度学习的神经解码器 PreMovNet-I 和 PreMovNet-II，它们利用存在于运动前 EEG 数据中的运动相关神经信息。为此使用了运动起始前 150 ms、200 ms、250 ms、300 ms 和 350 ms 多种时间滞后对应的 EEG 数据段。针对抓取与举升任务（WAY-EEG-GAL 数据集），以不同滞后作为输入送入神经解码器进行 MTD。将所提解码器性能与最先进的多变量线性回归（mLR）模型比较。以皮尔逊相关系数和手部轨迹作为性能指标。结果证明了利用运动前 EEG 数据解码三维手部运动学的可行性，从而实现对基于 BCI 的外骨骼/外衣等外部设备的更好控制。
引用
@article{arxiv.2205.01050,
title = {PreMovNet: Pre-Movement EEG-based Hand Kinematics Estimation for Grasp and Lift task},
author = {Anant Jain and Lalan Kumar},
journal= {arXiv preprint arXiv:2205.01050},
year = {2022}
}