基于源感知深度学习框架利用EEG信号重建手部运动学
信号处理
2022-05-13 v3
摘要
利用非侵入式脑电图（EEG）重建手部运动的运动学参数，对于使用外衣/外骨骼进行力量与耐力增强至关重要。在系统开发中，传统的基于分类的脑机接口（BCI）通过向执行器提供离散控制信号来操控外部设备。从EEG信号进行连续运动学重建更适合实际BCI应用。最先进的多变量线性回归（mLR）方法提供手部运动学的连续估计，在测量与估计手部轨迹间达到最高0.67的相关性。本工作提出三种新颖的源感知深度学习模型用于运动轨迹预测（MTP），具体包括多层感知机（MLP）、卷积神经网络-长短期记忆（CNN-LSTM）以及小波包分解（WPD）CNN-LSTM。本工作的额外创新包括利用脑源定位（使用sLORETA）进行可靠的运动意图映射解码（通道选择）与准确的EEG时间段选择。所提模型性能在真实抓取与抬起（GAL）数据集上与传统mLR技术进行比较。所提框架的有效性通过皮尔逊相关系数与轨迹分析确立。与最先进mLR模型相比，观察到相关系数显著提升。我们的工作弥合了控制与执行器模块间的差距，实现了实时BCI应用。
引用
@article{arxiv.2103.13862,
title = {Source Aware Deep Learning Framework for Hand Kinematic Reconstruction using EEG Signal},
author = {Sidharth Pancholi and Amita Giri and Anant Jain and Lalan Kumar and Sitikantha Roy},
journal= {arXiv preprint arXiv:2103.13862},
year = {2022}
}