机构名称：
¥ 1.0
摘要 - 脑计算机界面（BCI）是一种实用的途径，可以通过解码电动机（ME）或电动图像（MI）来解释用户的意图（EEG）信号。但是，开发由我或MI驱动的BCI系统具有挑战性，尤其是在包含连续和复合肌肉运动的情况下。这项研究分析了ME和MI范式下的脑电图的三个抓手动作。我们还研究了植物和伪在线实验中的分类性能。我们提出了一种新的方法，该方法使用卷积神经网络（CNN）的肌肉活动模式（MAP）图像来提高分类精度。我们记录脑电图和肌电图（EMG）同时信号，并通过将两个信号解码为特定的手抓握来创建地图图像。结果，我们获得了ME的平均分类精度为63.6（±6.7）％，四个类别的所有1个受试者中的MI中获得了45.8（±4.4）％。此外，我们进行了伪在线实验，并获得了ME的分类精度，为60.5（±8.4）％，MI中的42.7（±6.8）％。提出的方法MAP-CNN，即使在伪在线实验中，也显示出稳定的分类性能。我们希望将来可以在各种BCI应用程序中使用MAP-CNN。关键字 - 脑 - 计算机接口，电机执行，运动图像，手抓握，脑电图，深度学习
解码与EEG信号复杂的手抓握相关的持续肌肉运动
主要关键词
相关文件推荐
