久久久91-久久久91精品国产一区二区-久久久91精品国产一区二区三区-久久久999国产精品-久久久999久久久精品

腦-機接口（Brain-computer interface，BCI）系統是一個通過采集、分析大腦信號，并將其轉換為輸出指令，實現由大腦信號對外部設備直接控制的系統。BCI研究的重要目標之一是為患有癱瘓或其他嚴重運動功能障礙的病人，提供一種不需要通過外周神經和肌肉便能實現對外交流的工具?；谶\動想象的BCI系統是唯一一種不需要外界刺激，反映使用者自主運動意識且受使用者主動調控的BCI范式，可以將人們直接通過想象控制目標運動的暢想變為現實。其作業模式最符合大腦正常思維活動的狀態，且不易讓使用者感到疲勞。 

　　目前，基于EEG（Electroencephalogram）的運動想象型BCI主要集中于不同的肢體部位，而對于同一肢體更為精細的運動想象型BCI卻鮮有報道。已有的不同肢體部位運動想象型BCI常常會導致運動意圖與末端效應器之間的認知失聯，舉例來說，使用者需想象左手運動以控制機械手伸開，而想象右手運動則是控制機械手抓握，大腦想象的左右手運動與機械手實際運動間的不匹配為這一類型BCI的操作帶來困難。因此，發展“所想即所得”的同一肢體精細運動想象型BCI系統具有重要價值，而當前這一領域研究的瓶頸問題急需在新型可分動作范式以及新型運動想象特征提取和分類方法方面進行探索解決。 

　　針對該問題，自動化所神經計算與腦機交互(NeuBCI)團隊設計了單側肢體不同關節運動想象的新范式（右手握拳、右肢屈肘、靜息態），并對應采集了25名被試共計22,500個試次（trial）數據。該數據集根據BIDS-EEG數據標準進行整理并開源，提供三種階段的數據以滿足不同研究者的需求。團隊研究了單側肢體不同關節運動想象誘發的大腦激活模式，提出通道相關網絡（Channel-Correlation Network）來學習導聯之間的整體表示，將集成學習應用于多個通道相關網絡的輸出，在三分類情況下解碼精度達到87.03%。研究結果證明深度學習方法對同一肢體不同關節的運動想象任務解碼的有效性，以及這種單側肢體多個關節運動想象任務在實際應用中的潛力。 

　　這項研究為基于EEG的高精度運動意圖解析提供了科學基礎和技術支持，將促進運動想象腦機接口研究的發展，其在神經康復和智能機器人等領域有著重要的應用。 

　　該工作由NeuBCI團隊獨立完成，主要完成人為馬學林博士、邱爽副研究員和何暉光研究員。相關研究成果發表在IEEE Transactions on Neural System and Rehabilitation Engineering（TNSRE）期刊上，開源數據發表在Scientific Data（SDATA）上。 

相關文章及鏈接： 

[1]. Ma, X., Qiu, S. & He, H. Multi-channel eeg recording during motor imagery of different joints from the same limb. Harvard Dataverse https://doi.org/10.7910/DVN/RBN3XG  

[2]. Ma, X., Qiu, S. & He, H. Multi-channel EEG recording during motor imagery of different joints from the same limb. Sci Data 7, 191 (2020). https://doi.org/10.1038/s41597-020-0535-2  

[3]. Ma, X., Qiu, S., Wei, W., Wang, S. & He, H. Deep channel-correlation network for motor imagery decoding from same limb. IEEE Transactions on Neural Systems and Rehabilitation Engineering 28, 297–306 (2020). https://doi.org/10.1109/TNSRE.2019.2953121 

來源：中國科學院自動化研究所