通过EEG数据的迁移学习让运动意图识别的校准过程加速

本文介绍了一种基于迁移学习的脑电图（EEG）数据处理方法，旨在加速运动意图识别的校准过程。随着全球老龄化进程加快，脑卒中的发病率逐年上升，给医疗系统和患者家庭带来了巨大负担。为了提高康复效果并减轻这种负担，研究者将传统物理治疗与机器人支持的治疗手段相结合，特别是通过脑机接口（BCI）技术解码患者的运动意图，并利用外骨骼等辅助设备将其转化为实际运动。然而，现有BCI系统通常需要长时间的校准过程，这不仅耗费时间，还可能导致患者疲劳。为解决这一问题，本文提出的方法通过在双侧手臂运动过程中记录的EEG数据训练分类器，预测单侧手臂的运动意图，从而显著减少校准时间，提高康复效率。此外，该方法还利用外骨骼的镜像模式，将未受影响手臂的运动意图传递给受影响手臂，实现双侧手臂同步运动，进一步提升康复效果。这种方法不仅减少了患者的校准时间，还提高了康复治疗的整体效率。