神经动力学下的手部轨迹估计中改进脑机接口系统性能
摘要：使用神经元动力学的神经与外部设备的直接沟通技术，使个体能够通过脑电信号控制其环境。然而，现有的神经元动力学方法面临三个关键挑战，限制了其实用性和有效性：a）耗时的预处理算法，b）不合适的损失函数利用，c）缺乏直观的超参数设置。为了解决这些限制，我们提出了一种创新的深度学习模型NeuroKinect，用于利用脑电信号准确重建手运动学。NeuroKinect模型使用最小预处理流水线对Grasp and Lift（GAL）任务数据进行训练，从而提高了计算效率。NeuroKinect引入的一个显著改进是使用了一种新的损失函数，称为Lstat。该损失函数解决了手运动学预测中相关性和均方误差之间的差异。此外，我们的研究强调了参数选择背后的科学直觉，以提高准确性。我们通过采用事件相关电位和大脑源定位（BSL）结果分析运动任务的空间和时间动力学。这种方法提供了有关最佳参数选择的宝贵见解，提高了NeuroKinect模型的整体性能和准确性。我们的模型显示出预测和实际手动作之间的强相关性，X、Y和Z维度的平均皮尔逊相关系数分别为0.92（±0.015）、0.93（±0.019）和0.83（±0.018）。NeuroKinect的精度通过X、Y和Z维度的低均方误差（MSE）来证明，分别为0.016（±0.001）、0.015（±0.002）和0.017（±0.005）。
作者：Sidharth Pancholi and Amita Giri
论文ID：2308.08654
分类：Signal Processing
分类简称：eess.SP
提交时间：2023-08-21