慢性脑卒中患者手抓握释放动作意图的EEG-EMG混合实时分类研究
分类:
SAGA肌电
作者:
SeongHyeon Jo, Jun Ha Jung, Min Jin Yang, Hyung-Soon Park*
来源:
IEEE International Conference on Rehabilitation Robotics
发布时间:
2022-09-28
访问量:
eongHyeon Jo等人关于脑卒中患者手部动作意图的实时分类进行相关的研究。研究中采集脑电和高密度肌电,混合两种信号实时分类。其中脑电使用SynAmps RT采集32导联信号,肌电使用SAGA定制的32通道阵列电极,放置手部抓握时运动的肌肉上,采样率为1KHz。结果发现被试混合BCI分类器的平均绩效为76.9%。最高的‘释放’状态分类准确率为92.9%,最低的为82.7%。总体而言,基于EEG-EMG混合BCI分类器的实时运动意图预测范围为56.3%和68.63%,优于最先进的方法。我们的实验表明,慢性中风患者可以利用他们的肌肉和大脑信号成功地操作混合BCI系统,其表现水平较高。

图 A)实验设置 B)实验范式
关键词:
神经可塑性,医疗,可穿戴机器人,中风,辅助机器人,实时系统,EMG,维拓启创
上一页
表面肌电图已广泛应用于人机界面等神经康复技术。本文,我们提出了高密度肌电在个人识别中的新应用。高密度肌电除了广泛研究的时间特征外,还可以解码肌肉激活的高分辨率空间模式,从而提供更充足的信息。