基于深度学习的运动想象EEG分类通过利用皮层源成像的功能连接 研究背景与动机 脑-机接口（BCI）是直接解码并输出脑活动信息的系统，无需依赖相关的神经通路和肌肉，从而实现外部设备的通信或控制。在BCI系统中，常用的信号包括脑电图（EEG）、脑磁图（MEG）和功能性磁共振成像（fMRI）。其中，EEG是最常用的信号，因为它具有非侵入性、易于实施、成本低和无伦理挑战等优点。 运动想象（Motor Imagery, MI）是BCI中的一个重要范式，在无刺激条件下，运动想象任务期间会自发地产生运动想象EEG信号（MI-EEG）。MI-EEG信号中可能嵌入了运动皮层在运动意图期间的神经活动模式表示，因此解码MI-EEG信号已成为热门研究课题，以通过BCI系统实现对外部设备的精神控制。 现有的MI-EE...

MI-EEG解码中基于注意力机制的时间依赖学习卷积神经网络（CNN） 研究背景与问题描述 脑机接口（Brain-Computer Interface, BCI）系统提供了一种通过实时翻译大脑信号与计算机进行通信的新途径。近年来，BCI技术逐渐在为瘫痪患者提供辅助和预防性护理方面发挥了重要作用。现有的许多BCI系统依赖于非侵入性且相对便捷的脑电图（EEG）信号记录来追踪大脑活动。然而，即使在同一MI任务期间，不同时期产生不同MI相关模式的时间依赖性特性也往往被忽略，从而大大限制了MI-EEG解码性能。 论文来源与作者信息 论文《A Temporal Dependency Learning CNN with Attention Mechanism for MI-EEG Decoding》于202...

肌骨模型已经广泛用于生物力学分析，因为它们能够估计难以通过活体直接测量的运动变量（如肌肉力量和关节力矩）。传统的物理驱动计算肌骨模型可以解释神经驱动到肌肉、肌肉动力学、以及身体和关节运动学和动力学之间的动态交互。然而，这些模型由于其复杂性，运行速度较慢，难以实现实时应用。近年来，数据驱动方法以其实现速度快和操作简单的优点成为一种有前途的替代方案，但它们不能反映基础的神经机械过程。 本文提出了一种融合物理知识的深度学习框架，用以实现肌骨建模。在该框架中，将物理领域的知识引入数据驱动模型，作为软约束对其进行罚则/正则化处理。本文采用表面肌电图（SEMG）同步预测肌肉力量和关节运动学作为示例，使用卷积神经网络（CNN）实现该框架，并在两个数据集上进行了实验验证，展示了该框架的有效性和鲁棒性。 论文...

脑机接口（Brain-Computer Interface, BCI）是将神经系统与外部环境连接的一种通讯手段。运动想象（Motor Imagery, MI）是BCI研究的基石，它指在运动执行前的内在演练（Internal Rehearsal）。非侵入性技术如脑电图（Electroencephalography, EEG）因其成本效益高与便利性，可以高时间分辨率记录神经活动。当受试者想象移动身体特定部位时，大脑特定区域会发生能量变化（ERD/ERS），这些变化可以通过EEG记录并用于辨别运动意图。MI基础的BCI系统已经取得显著进展，能够控制外骨骼和光标，特别是与虚拟现实技术结合，用于中风康复的潜力更为显著。 目前，MI解码方法的高性能是这种系统成功的关键。然而，相比于依赖外部刺激的其它BC...

通过EMG驱动的机器人手训练揭示慢性中风患者跨半球平衡恢复的神经机制：来自动态因果建模的见解 中风是一种常见的致残原因，其中大部分中风幸存者会患上上肢瘫痪。上肢功能受损的后果可持续六个月以上，只有少数中风幸存者 (少于12%) 能完全康复。为了恢复这些患者的日常生活能力，提高他们的生活质量，研究人员一直致力于开发中风后运动康复方案。 近年来，使用机器人辅助装置进行上肢康复的研究引起了广泛关注。机器人康复提供了一种一致、密集且互动的训练体验，能够吸引患者积极参与。综合分析显示，接受机器人辅助训练的个体在上肢的Fugl-Meyer 评估 (FMA-UE) 分数以及上肢的功能活动方面都有显著改善。然而，针对腕部和手部功能的机器人在运动控制和日常生活活动的改善方面效果有限。随着意图驱动机器人的引入，...