XiaoMi-AI文件搜索系统
World File Search System抓握
双谱无创脑电信号分析可区分复杂和自然的抓握类型
摘要 — 双谱是频域分析中一种革命性的工具，它通过捕获频率分量之间的关键相位信息，超越了通常的功率谱。在我们的创新研究中，我们利用双谱分析和解码复杂的抓握动作，收集了来自五名人类受试者的脑电图数据。我们用三个分类器对这些数据进行了测试，重点关注幅度和相位相关特征。结果突出了双谱深入研究神经活动和区分各种抓握动作的惊人能力，其中支持向量机 (SVM) 分类器表现出色。在二元分类中，它在识别强力抓握方面实现了惊人的 97% 的准确率，而在更复杂的多类任务中，它保持了令人印象深刻的 94.93% 的准确率。这一发现不仅强调了双谱的分析能力，还展示了 SVM 在分类方面的卓越能力，为我们理解运动和神经动力学打开了新的大门。索引术语 —EEG（脑电图）、双谱、交叉双谱、握力解码和机器学习。
引用方式：Shi, TW, Chen, K.-J., Ren, L., Cui, W.-H. (2023)。基于运动意象的机械臂抓握控制脑机接口。
本文提出了一种脑机接口（BCI）系统，利用ABB机械臂实现手部和腕部控制。该BCI系统从30个电极采集四类运动想象（MI）任务（手抓握、手伸展、腕部屈曲和腕部伸展）脑电图（EEG）信号。它利用两个具有不同带宽的五阶巴特沃斯带通滤波器（BPF）和归一化方法实现原始MI任务EEG信号的预处理。特征提取的主要挑战是从预处理后的EEG信号中分析MI任务意图。因此，所提出的BCI系统在时域和时频域中提取了十一种特征，并使用互信息方法来降低提取特征的维数。此外，BCI系统应用一个具有30个滤波器的单卷积层卷积神经网络（CNN）来实现MI任务的四级分类。与现有研究相比，该BCI系统的分类准确率提高了约32%-35%，实际机械臂抓取控制实验验证了该BCI系统具有良好的适应性。
走向生命机器：触觉感知、抓握和社交机器人的现状和未来趋势
1 技术创新研究所 (TII)，阿布扎比，阿拉伯联合酋长国 2 比萨大学“E. Piaggio”研究中心，意大利比萨 3 利兹大学，计算机学院，利兹 LS2 9JT，英国 4 布里斯托大学工程学院工程数学系和布里斯托机器人实验室，布里斯托，英国 5 巴斯大学工程与设计学院电子电气工程系，巴斯，英国 6 本研究部分由英国工程与物理科学研究委员会根据 EP/V052659/1 号资助。 7 本研究部分由利华休姆研究领导奖“用于机器人触觉的仿生前脑”(RL-2016-39) 资助。 8 作者已确认，本研究中所有可识别的参与者均已同意发表。∗ 任何通讯均应寄给作者。
执行和想象的抓握动作可以从分布式非运动脑区的低维表示中解码
中尺度区域，不能捕捉到运动系统的全部信息内容。在这项工作中，我们记录了 8 名癫痫患者的颅内脑电图，包括除中央沟内或相邻电极接触外的所有电极接触。我们表明，执行运动和想象运动可以从非运动区域解码；将所有非运动接触组合成一个低维表示形式，为黎曼解码器提供了足够的信息，使其达到 0.83 ± 0.11 的曲线下面积。此外，通过在执行运动上训练我们的解码器并在想象运动上进行测试，我们证明这两种情况之间存在在 beta 频率范围内共享的分布信息。通过将来自所有区域的相关信息组合成一个低维表示形式，解码器能够在没有初级运动皮层信息的情况下实现较高的解码结果。这种表示形式使解码器对扰动、信号非平稳性和神经组织退化更具鲁棒性。我们的结果表明，超越运动皮层可以为更强大、更多功能的脑机接口开辟道路。
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。
解码与EEG信号复杂的手抓握相关的持续肌肉运动
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
四肢瘫痪患者运动皮层中不同抓握类型的力量神经表征
1 凯斯西储大学生物医学工程系，俄亥俄州克利夫兰 44106，2 斯坦福大学神经外科系，加利福尼亚州斯坦福 94035，3 斯坦福大学电气工程系，加利福尼亚州斯坦福 94035，4 VA 医学中心路易斯斯托克斯克利夫兰系，俄亥俄州克利夫兰 44106，5 布朗大学神经科学系，罗德岛州普罗维登斯 02912，6 布朗大学罗伯特 J. 和南希 D. 卡尼脑科学研究所，罗德岛州普罗维登斯 02912，7 VA RR&D 神经修复和神经技术中心，罗德岛州普罗维登斯 02912，8 克利夫兰大学医院医学中心神经外科系，俄亥俄州克利夫兰 44106，9 凯斯西储医学院神经外科系，俄亥俄州克利夫兰 44106，10克利夫兰大学医院医学中心神经内科，俄亥俄州克利夫兰 44106，11 布朗大学工程学院，罗德岛州普罗维登斯 02912，12 麻省总医院神经内科神经技术和神经康复中心，马萨诸塞州波士顿 02114，13 哈佛医学院神经内科，马萨诸塞州波士顿 02114，14 斯坦福大学生物工程系，加利福尼亚州斯坦福 94035，15 斯坦福大学神经生物学系，加利福尼亚州斯坦福 94035，16 斯坦福大学霍华德休斯医学研究所，加利福尼亚州斯坦福 94035，17 斯坦福大学吴仔神经科学研究所，加利福尼亚州斯坦福 94035，以及 18 斯坦福大学 Bio-X 项目，加利福尼亚州斯坦福 94035
使用凝胶、水和干 EEG 系统分析和解码自然伸手抓握动作
伸手和抓握是每个人生活中必不可少的一部分，它使人能够与环境进行有意义的互动，是独立生活方式的关键。最近基于脑电图 (EEG) 的研究已经表明，可以在 EEG 中识别自然伸手和抓握动作的神经关联。然而，这些在实验室环境中获得的结果是否可以过渡到适用于家庭使用的移动 EEG 系统仍是一个问题。在当前的研究中，我们调查了是否可以使用移动 EEG 系统（即基于水的 EEG-Versatile TM 系统和干电极 EEG-Hero TM 耳机）成功识别和解码基于 EEG 的自然伸手和抓握动作的关联。此外，我们还分析了在实验室环境中获得的基于凝胶的记录（g.USBamp/g.Ladybird，黄金标准），这些记录遵循相同的实验参数。对于每个记录系统，15 名研究参与者执行了 80 次自发伸手抓取玻璃杯（手掌抓取）和勺子（侧抓取）的动作。我们的结果证实，使用这些移动系统可以成功识别基于 EEG 的伸手抓取动作的相关性。在结合运动条件和休息的单次试验多类解码方法中，我们可以证明低频时域 (LFTD) 相关性也是可解码的。根据未见测试数据计算的总平均峰值准确度，水基电极系统为 62.3%（9.2% STD），而干电极耳机达到 56.4%（8% STD）。对于凝胶基电极系统，可以达到 61.3%（8.6% STD）。为了促进和推动基于 EEG 的运动解码领域的进一步研究，以及让感兴趣的社区得出自己的结论，我们提供了 BNCI Horizon 2020 数据库 (http://bnci-horizon-2020.eu/database/data-sets) 中公开的所有数据集。
四肢瘫痪患者运动皮层中不同抓握类型的力量神经表征
1 凯斯西储大学生物医学工程系，俄亥俄州克利夫兰，44106；2 斯坦福大学神经外科系，加利福尼亚州斯坦福，94035；3 斯坦福大学电气工程系，加利福尼亚州斯坦福，94035；4 退伍军人事务部克利夫兰路易斯斯托克斯医学中心，俄亥俄州克利夫兰，44106；5 布朗大学神经科学系，罗德岛州普罗维登斯，02912；6 布朗大学罗伯特 J. 和 Nancy D. 卡尼脑科学研究所，罗德岛州普罗维登斯，02912；7 VA RR&D 神经修复和神经技术中心，罗德岛州普罗维登斯，02912；8 休斯顿大学克利夫兰医学中心神经外科系，俄亥俄州克利夫兰，44106； 9 克里夫兰凯斯西储大学医学院神经外科系，俄亥俄州克利夫兰 44106；10 克里夫兰大学医学中心神经内科系，俄亥俄州克利夫兰 44106；11 布朗大学工程学院，罗德岛州普罗维登斯 02912；12 麻省总医院神经内科神经技术和神经康复中心，马萨诸塞州波士顿 02114；13 哈佛医学院神经内科系，马萨诸塞州波士顿 02114；14 斯坦福大学生物工程系，加利福尼亚州斯坦福 94035；15 斯坦福大学神经生物学系，加利福尼亚州斯坦福 94035；16 斯坦福大学霍华德休斯医学研究所，加利福尼亚州斯坦福 94035；17 斯坦福大学吴仔神经科学研究所，Bio-X 项目，加利福尼亚州斯坦福 94035
对象6D姿势识别和基于机器学习的抓握
摘要 - 6D姿势估计方法的研究对于增强机器人感知和操纵能力至关重要，尤其是在复杂的环境中。最初，我们在凉亭仿真环境中采用了深对象姿势估计（DOPE）项目来识别和掌握对象。但是，在高度混乱或遮挡的场景中，涂料表现出差的性能。为了应对这些挑战，我们转向了一种更强大的方法，并彻底检查了其基本的纸张和代码。计算资源和时间的限制，我们专注于一个对象，并调整了参数以加快培训和评估过程。我们成功地训练了密集型模型，进行了评估，并可视化了结果。我们将修改模型的性能与官方密集型模型进行了比较，观察到，尽管我们的调整提高了速度和可行性，但官方模型在评估和可视化任务方面的准确性和鲁棒性方面的表现优于我们的表现。此比较强调了在实际应用中模型优化与性能之间的权衡。