XiaoMi-AI文件搜索系统
World File Search System手部
大规模多模态脑成像数据的机器学习揭示了手部偏好的神经相关性
a 浙江大学心理与行为科学系，中国杭州 b 柏林工业大学，德国 c 马克斯普朗克认知学院，马克斯普朗克人类认知与脑科学研究所，德国莱比锡 d 语言与遗传学系，马克斯普朗克心理语言学研究所，荷兰奈梅亨 e 神经科学系，马克斯普朗克经验美学研究所，德国法兰克福 f 唐德斯大脑、认知与行为研究所，荷兰奈梅亨 g 人类遗传学系，荷兰奈梅亨拉德堡德大学医学中心，h 浙江大学医学院邵逸夫医院精神病学系，中国杭州
PreMovNet：基于运动前脑电图的抓握和举起任务手部运动学估计
摘要——从大脑活动进行运动学解码有助于开发康复或增强功率的脑机接口设备。从非侵入性脑电图 (EEG) 记录的低频信号与用于运动轨迹解码 (MTD) 的神经运动相关性相关。在本通讯中，研究了从运动前 delta 波段 (0.5-3 Hz) EEG 解码运动运动轨迹的能力，适用于健康参与者。具体来说，提出了两个基于深度学习的神经解码器，称为 PreMovNet-I 和 PreMovNet-II，它们利用运动前 EEG 数据中存在的运动相关神经信息。为此，使用了运动开始前具有不同时间滞后的 150 毫秒、200 毫秒、250 毫秒、300 毫秒和 350 毫秒的 EEG 数据段。使用 EEG 为抓握和举起任务 (WAY-EEG-GAL 数据集) 呈现 MTD，并将各种滞后作为神经解码器的输入。将所提出的解码器的性能与最先进的多变量线性回归 (mLR) 模型进行比较。使用皮尔逊相关系数和手部轨迹作为性能指标。结果证明了使用运动前 EEG 数据解码 3D 手部运动学的可行性，从而能够更好地控制基于 BCI 的外部设备，例如外骨骼/外骨骼。
利用EEG Beta反弹跟踪模式进行手部运动想象智能分类技术
摘要：要在康复过程中应用基于 EEG 的脑机接口，需要在运动想象 (MI) 期间分离各种任务并将 MI 融入运动执行 (ME)。先前的研究侧重于基于复杂算法对不同的 MI 任务进行分类。在本文中，我们实现了智能、直接、易懂、省时且减少通道的方法来对 ME 与 MI 以及左手与右手 MI 进行分类。记录了 30 名执行运动任务的健康参与者的 EEG，以研究两项分类任务。对于第一项任务，我们首先基于 beta 反弹提出一种“跟进”模式。该方法的平均分类准确率为 59.77% ± 11.95%，对于手指交叉可高达 89.47%。除了时域信息外，我们还使用包括统计、小波系数、平均功率、样本熵和常见空间模式在内的提取方法将 EEG 信号映射到特征空间。为了评估其实用性，我们采用支持向量机作为智能分类器模型，采用稀疏逻辑回归作为特征选择技术，实现了 79.51% 的准确率。第二次分类也采用了类似的方法，准确率达到了 75.22%。我们提出的分类器表现出很高的准确率和智能性。所取得的成果使我们的方法非常适合应用于瘫痪肢体的康复。
引用本文为：Bayındır O, Akyüz G, Sekban N. 将机器人辅助手部康复添加到常规康复计划中对
HandTutor（Meditouch Ltd.，以色列中央邦阿拉瓦 Rotem 工业园）是一种机器人辅助治疗工具，由一个连接到软件的人体工程学手套组成。它允许手腕运动和小手关节运动，并利用视觉听觉反馈。基于互动式电脑游戏的锻炼计划旨在提高粗大/精细运动技能以及认知功能。一项初步研究调查了 HandTutor 对急性-亚急性中风患者的有效性，得出结论：与传统康复计划相比，HandTutor 在功能能力方面取得了更好的效果。[5] 然而，作者建议，在未来的试验中，应针对中风时间较长的患者研究 HandTutor 与功能康复计划的有效性。因此，在本研究中，我们旨在调查在传统康复计划中添加机器人辅助手部治疗（HandTutor）对中风幸存者上肢运动改善和 ADL 手部功能的有效性，与单独使用传统康复计划相比。
常见多区域中尺度流形中的区域化动力学代表了一系列人类手部运动
人类的手在动物界中独一无二，拥有无与伦比的灵活性，从复杂的抓握到精细的手指个体化。大脑如何表示如此多样化的动作？我们使用皮层脑电图和降维方法评估了人类“抓握网络”中尺度神经动力学，以了解一系列手部动作。令人惊讶的是，我们发现抓握网络同时表示手指和抓握动作。具体而言，表征多区域神经协方差结构的流形在该分布式网络的所有运动中都得以保留。相反，该流形中的潜在神经动力学令人惊讶地特定于运动类型。将潜在活动与运动学对齐可以进一步发现不同的子流形，尽管运动之间的关节协同耦合相似。因此，我们发现，尽管在分布式网络层面上保留了神经协方差，但中尺度动力学被划分为特定于运动的子流形；这种中尺度组织可能允许在一系列手部动作之间进行灵活切换。
常见多区域中尺度流形中的区域化动力学代表了一系列人类手部运动
人类的手在动物界中独一无二，拥有无与伦比的灵活性，从复杂的抓握到精细的手指个体化。大脑如何表示如此多样化的动作？我们使用皮层脑电图和降维方法评估了人类“抓握网络”中尺度神经动力学，以了解一系列手部动作。令人惊讶的是，我们发现抓握网络同时表示手指和抓握动作。具体而言，表征多区域神经协方差结构的流形在该分布式网络的所有运动中都得以保留。相反，该流形中的潜在神经动力学令人惊讶地特定于运动类型。将潜在活动与运动学对齐可以进一步发现不同的子流形，尽管运动之间的关节协同耦合相似。因此，我们发现，尽管在分布式网络层面上保留了神经协方差，但中尺度动力学被划分为特定于运动的子流形；这种中尺度组织可能允许在一系列手部动作之间进行灵活切换。
使用用户友好型、可穿戴的基于 EMG 的神经接口解码偏瘫慢性中风幸存者的手部和手腕运动意图
€ 这些作者的贡献相同。 * 通讯作者：meyerse@battelle.org 摘要：几十年来，假肢和矫形器一直被认为是恢复中风患者手部功能和独立性的潜在手段。然而，75% 的中风幸存者、护理人员和医疗保健专业人员 (HCP) 认为当前的做法还不够，特别指出上肢是需要创新的领域，以开发适用于中风人群的高度可用的假肢/矫形器。控制上肢技术的一种有前途的方法是从表面肌电图 (EMG) 活动中非侵入性地推断运动意图。虽然这种方法在文献中引起了广泛关注，但现有技术通常仅限于研究环境，难以满足所述的用户需求。为了解决这些限制，我们开发了 NeuroLife ® EMG 系统，它由一个可穿戴的前臂套组成，其中嵌入了 150 个电极以及相关的硬件和软件来记录和解码表面肌电图。在这里，我们展示了对 12 种功能性手部、腕部和前臂运动的准确解码，包括来自中风后不同程度慢性损伤的参与者的多种抓握类型，总体准确率为 77.1±5.6%。重要的是，我们展示了以 85.4±6.4% 的准确率解码严重手部损伤患者的 3 种基本运动子集的能力，凸显了其作为辅助技术控制机制的潜力。测试该系统的中风幸存者的反馈表明，袖套的设计满足了各种用户需求，包括舒适、便携和轻便。袖套的外形尺寸使其可以在家中使用，无需专业技术人员，并且可以佩戴数小时而不会感到不适。总而言之，NeuroLife EMG 系统代表了一种平台技术，用于记录和解码高清 EMG，最终以符合用户需求的外形尺寸实时控制辅助设备。
用于个性化康复的新型手部外骨骼
摘要。中风是全球范围内导致残疾的第三大原因。大多数受此疾病影响的人无法进行日常生活活动。将治疗带到患者家中是复杂的，而且在文献中，仍然存在尚未解决的挑战。本文从治疗师和患者的需求出发，描述了一种可能的解决方案：HANDY，一种用于中风后患者的康复主动手外骨骼。使用桌面应用程序，他们可以执行三种不同类型的锻炼：被动、主动和基于日常生活活动的锻炼。他们还可以使用跳跃运动控制器以严肃游戏的方式自己控制外骨骼。我们在 Villa Beretta 康复中心对患者评估了我们的方法。关于舒适性、可用性和使用系统的意愿的会议的初步结果令人鼓舞。关键词：手外骨骼、增材制造、中风、CAD 建模、交互式应用 DOI：https://doi.org/10.14733/cadaps.2022.405-425
回家的路上：亚急性 SCI 患者及其护理人员自我管理的 BCI-FES 手部治疗：可用性研究
摘要背景：恢复手部功能是四肢瘫痪患者的首要任务，然而诊所以外获得专门治疗的机会有限。在这里，我们介绍了一种基于脑机接口 (BCI) 的手部治疗系统，该系统使用消费级脑电图 (EEG) 设备结合功能性电刺激 (FES)，并评估其在职业治疗师 (OT) 和脊髓损伤 (SCI) 患者及其家人中的可用性。方法：用户：8 名亚急性 SCI 患者（6 名男性，2 名女性，年龄 55.4 ± 15.6 岁）及其护理人员（3 名男性，5 名女性，年龄 45.3 ± 14.3 岁）；4 名 OT（4 名女性，年龄 42.3 ± 9.8 岁）。用户活动：研究人员培训 OT；OT 随后教护理人员为 SCI 患者设置系统以进行手部治疗。手部治疗包括尝试移动（AM）一只手以降低 8-12 Hz 频段 EEG 感觉运动节律的功率，从而激活 FES，引起腕部屈曲和伸展。技术：消费级可穿戴 EEG、多通道 FES、定制 BCI 应用。地点：医院内的研究空间。评估：佩戴时间、BCI 准确度、BCI 和 FES 参数可重复性、问卷、焦点小组和访谈。结果：有效性：BCI 准确度为 70-90%。效率：平均佩戴时间从初始课程的 40.5 分钟减少到最后一次训练课程（N = 7）的 27 分钟，在最后一次自我管理课程（N = 3）中下降到 14 分钟。BCI 和 FES 参数在各个课程中保持稳定。满意度：根据 QUEST 问卷的测量，SCI 用户和护理人员对该系统的平均满意度为 3.68 ± 0.81（最高 5 分）。实施 BCI-FES 技术的主要推动因素是“看到手在动”、“为所爱的人做一些有用的事情”、良好的计算机知识水平（脊髓损伤患者和护理人员）、“积极参与治疗”（OT），而主要障碍是设置的技术复杂性（所有组）和“缺乏临床证据”（OT）。结论：BCI-FES 有潜力被 SCI 或中风患者用作家庭手部治疗，只要它易于使用并提供支持。操作 BCI 的知识可以从研究人员转移到治疗师、用户和护理人员。试验注册于 2017 年 12 月 6 日在 NHS GG&C 注册；clinictrials.gov 参考编号 NCT03257982，网址：https://clinicaltrials.gov/ct2/show/NCT03257982。
基于深度学习的精细手部分类......
摘要 — 从脑电图信号中对不同的精细手部运动进行分类代表着相关的研究挑战，例如在用于运动康复的脑机接口应用中。在这里，我们分析了两个不同的数据集，其中精细手部运动（触摸、抓握、手掌和侧抓握）以自定节奏的方式执行。我们训练并测试了一个新提出的卷积神经网络（CNN），并将其分类性能与两个成熟的机器学习模型进行了比较，即收缩 LDA 和随机森林。与以前的文献相比，我们利用神经科学领域的知识，并在所谓的运动相关皮质电位（MRCP）上训练我们的 CNN 模型。它们是低频（即（0.3,3）Hz）的脑电图幅度调制，已被证明可以编码运动的几种属性，例如抓握类型、力量水平和速度。我们表明，CNN 在两个数据集中都取得了良好的表现，并且与基线模型相似或优于基线模型。此外，与基线相比，我们的 CNN 需要更轻松、更快速的预处理程序，为其在线模式（例如，许多脑机接口应用）中的可能使用铺平了道路。