.png){kind=icon}
返回
Decoding sign language finger flexions from high-density electrocorticography using graph-optimized block term tensor regression
.png){kind=icon}
PRE
AI
DOI：10.1088/1741-2552/adcd9e.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
目的。介绍了一种新型方法，用于从人类脑皮层电生理记录（ECoG）中回归预测手语手指运动。方法。所提出的图优化块项张量回归（Go-BTTR）方法包含两个组成部分：一个基于消元法的回归模型，能够将多通道ECoG数据按顺序进行Tucker分解为一组系列块，以及一个因果图过程（CGP），用于处理表达手语手势时手指运动之间的复杂关系。在每次回归块处理前，CGP被应用于决定哪些手指应保持独立或分组，并因此应分别采用BTTR或其扩展版本eBTTR。主要结果。本研究使用了两个ECoG数据集，其中一个记录了5名受试者表达美国手语字母表中的4种手部手势，另一个记录了2名受试者表达所有弗拉芒手语字母表中的手势。由于Go-BTTR能够灵活地组合手指，因此能更好地解释在手势表达过程中ECoG所表现出的非线性关系，包括非预期的手指协同激活。这一点体现在其相对于eBTTR具有更优的联合手指轨迹预测能力，以及在单手指场景下与BTTR性能相当的预测结果。对于美国手语字母表（乌特勒支数据集），所有受试者所有手指的平均相关性，Go-BTTR为0.73，eBTTR为0.719，BTTR为0.70；对于弗拉芒手语字母表（鲁汶数据集），所有受试者所有手指的平均相关性，Go-BTTR为0.37，eBTTR为0.34，BTTR为0.33。意义。本研究结果表明，Go-BTTR能够解码源自手语字母表的复杂手部手势。同时，Go-BTTR还展示了计算效率优势，当在患者术前评估期间植入颅内电极时，这一优势尤为显著。该效率有助于减少开发与测试脑机接口解决方案所需的时间。
Keyword:
BTTR
finger
gestures
sign language
ECoG
regressions
期刊
IF:
3.8
论文数:
4.0K
被引数:
1.4W
机构
引用论文
Ten-dimensional anthropomorphic arm control in a human brain-machine interface: difficulties, solutions, and limitations人脑-机接口中的十维拟人化手臂控制: 困难，解决方案和局限性
PREAI
分享收藏High-performance neuroprosthetic control by an individual with tetraplegia四肢瘫痪患者的高性能神经假体控制.png)
LANCET
OAAI
LANCETIF88.5
OAAI分享收藏Walking naturally after spinal cord injury using a brain–spine interface脊髓损伤后使用脑-脊柱接口自然行走NatureOAAI
NatureIF0
OAAI分享收藏分享收藏
查看更多内容