多目标预测中运动意图的时空分辨率

抓握和操作物体是日常生活中必不可少的运动功能。解码人类运动意图是康复和辅助技术的核心挑战。本研究聚焦于通过推断多通道电肌电图(EMG)信号中的运动方向和目标位置来预测意图，并探讨相对于运动起始点，这些信息的时空准确性如何。我们提出了一种计算管道，将数据驱动的时序分段与经典和深度学习分类器结合，以分析在延迟到达任务中规划、早期执行和目标接触阶段记录的 EMG 数据。早期意图预测使设备能够提前 anticipation 用户动作，提高响应性，支持适应性康复系统中的主动运动恢复。随机森林实现 $80\%$ 的准确率，卷积神经网络 $75\%$ 的准确率，覆盖 $25$ 个相隔 $14^\circ$ 方位/仰角的空间目标。此外，对 EMG 通道、特征集和时序窗口的系统评估表明，即使在大幅度降低数据的情况下，运动意图也能高效解码。本工作阐明了运动意图的时空演化，为适应性康复系统中的预期控制以及推动运动神经科学中的计算方法学进步。