猴子PMd区脑电解码抓握手势及机械手实时控制

过去的10年,脑机接口中对上肢有关的伸解码取得了非常大的成功,这给残障人士运动康复带来了希望。但与日常生活息息相关的手部的抓握动作的研究却很少涉及。当前,在解码手势方面有很多初步的工作,但是实时的抓握手势的解码工作还没有被系统地研究过。该研究首先建立了基于非人灵长类动物的植入式脑机接口平台,训练猕猴完成伸抓动作并记录PMd区的神经信号。通过FKNN算法异步解码出4种抓握手势和休息状态。然后,利用共享控制策略驱动灵巧的机械手完成与猴子相同的动作。结果表明大部分PMd区的神经元对伸抓动作具有调和特性,利用PMd区的神经元的解码正确率可以达到97.1%。在线控制模式中,猴子手的瞬时状态能够被成功解码出来并用于机械手的控制,正确率可以达到85.1%。我们的研究为残疾人士抓握运动的康复提供了新的思路和方法。

基于频域和时域脑电特征解码自然抓握动作

基于脑电(EEG)解码了与日常生活行为密切相关的3种自然抓握动作,分别是推拉、旋转和插拔抓握。设计了自然手部抓握运动的EEG诱发实验,并采集了5名受试者的EEG数据进行离线分析。神经生理学分析表明,3种自然手部抓握动作与不运动条件之间存在显著差异,且不同的抓握动作之间表现出不同的激活模式。多分类结果表明:仅使用时域EEG特征,4分类获得了46.1%的总体平均峰值分类正确率,而联合时域和频域特征,达到了49.9%。本文的发现有助于实现直观和自然的脑机接口(BCI)控制,也为上肢截肢者和先天性运动障碍患者的功能康复提供一条新途径。

基于黎曼几何的自然动作运动参数脑电解码研究

本文基于黎曼几何分类算法,探索了使用运动相关皮层电位(MRCPs)解码3种自然抓握动作的运动学信息的可能性。本研究采集了9名受试者在执行指捏、掌握和旋拧动作(包括两种不同水平的速度和力)的脑电图信号。在进行信号的预处理之后,将信号转化到协方差空间输入到黎曼均值最小距离(MDRM)分类器,实现基于MRCPs的手部自然动作的运动参数模式的识别。对于3种动作的运动参数,实验结果表明,二分类的总平均结果可以达到89.24%,四分类结果可以达到75.28%。本文采用的黎曼框架新颖高效,为脑-机接口的MRCP分类提供了新思路,同时本研究对于精细而自然地控制神经假体或者其他康复设备具有重要意义,这将大大提高运动障碍用户的认可度。