机构名称：
¥ 1.0
摘要：保持自由活动的能力对于生活质量至关重要。随着人们年龄的增长或面临事故、自然灾害或中风等健康状况等挑战，他们可能会因脚踝问题而难以行动。当脚踝不平衡时，会影响步行模式。本研究探索使用红外光谱 (fNIRS) 控制外骨骼以辅助脚踝运动。测试了六个统计特征和四个机器学习分类器，其中 k 最近邻 (kNN) 分类器通过结合所有特征实现了 91.1% 的准确率。为了防止过度拟合，确定了 kNN 的个性化最佳“k”值。简介：在本研究中，fNIRS（功能性近红外光谱）被用作脑机接口 (BCI) 系统的数据采集方式。在执行动作的过程中，大脑需要氧气来激发神经元，从血液中吸取氧气并改变特定点的含氧和缺氧血液的浓度 [1]。 fNIRS 测量这种浓度变化。典型的 BCI 系统涉及几个阶段：数据采集、预处理、特征提取和分类。方法：20 名健康参与者使用 NIRX NIRSport2 fNIRS 系统进行数据采集。该设置包括 20 个通道，由 8 对相距 3 厘米的源和探测器创建，遵循国际 EEG 10-20 系统。实验方案包括与膝关节伸展和屈曲相关的运动任务。随后，使用 nirsLAB 工具箱对收集的数据进行预处理以检查血流动力学反应。采用 0.01 Hz 至 0.3 Hz 的带通滤波器消除生理干扰。结果：从 ΔHbO 中提取了均值、峰值、偏度、方差、峰度和斜率等统计特征并进行了分析。与其他组合相比，这六个特征组合的分类准确率明显更高，为 9.11%。与二次判别分析 QDA（77.9%）、支持向量机（75.2%）和线性判别分析 LDA（62.2%）相比，k 近邻算法具有更高的准确率。这些比较的 p 值小于 p<0.005。结论：该研究提出了一种对 fNIRS 数据进行分类和利用的策略，分析了六个统计指标作为特征。其中，斜率对分类具有重要意义。结合所有六个特征可获得最高准确率，其次是特征较少的组合，强调了它们的重要性。测试四个机器学习分类器表明 kNN 最准确，明显优于 LDA、QDA 和 SVM。kNN 的最佳 k 值因受试者和特征组合而异，有助于优化性能和减少过度拟合。这些发现为有效利用 fNIRS 数据进行分类任务提供了一个框架，为康复机器人应用中的特征重要性和分类器性能提供了见解。参考文献：[1] N. Jovanović-Simić、I. Arsenić 和 Z. Daničić，“脑机接口系统在严重运动障碍患者交流中的应用”，Spec. Edukac. i Rehabil.，第 21 卷，第 1 期，第 51-65 页，2022 年，doi：10.5937/specedreh21-35403。
尊敬的评奖委员会
主要关键词
相关文件推荐
