12、基于迁移学习的中风患者运动想象脑机接口研究

基于迁移学习的中风患者运动想象脑机接口研究

1. 引言

脑机接口（BCI）是一种不依赖人体外周神经和肌肉组织，在大脑与外部设备之间建立新的对应和指令技术的系统。脑电图（EEG）是BCI的一种非侵入性方式。目前，BCI系统中常用的基于EEG的范式相关信号包括视觉诱发电位（VEP）、P300诱发电位、运动想象（MI）及其组合。

MI是一种BCI方法，指在不进行任何肌肉收缩的情况下想象身体某部分的运动，每个MI任务会在大脑相应的感觉运动皮层区域引起振荡。基于MI的BCI系统的目标是识别潜在的MI任务。

近年来，深度学习（DL）在BCI中的应用得到了广泛发展，如预测用户性别、癫痫发作预测或MI分类等。然而，传统的DL方法需要大量数据来避免过拟合，由于数据收集相对昂贵且耗时，其在神经科学领域的应用面临挑战。迁移学习（TL）是一种机器学习方法，可将预训练模型用于其他任务，能解决数据不足的问题，同时使模型性能保持在可接受水平。

本文提出了一种基于卷积神经网络（CNN）和迁移学习的深度学习框架，用于中风患者的EEG分析，以提高基于中风康复的BCI系统的性能。该框架结合了EEGNet和微调技术，可识别中风患者的运动想象任务，并通过实验验证了其有效性。

2. 方法

2.1 实验数据

在山东大学齐鲁医院康复医学科收集了11名中风患者的EEG数据集，其中包括5名健康受试者和6名中风患者的试验数据。在信号采集过程中，受试者进行左右手部运动的想象。使用64通道信号采集设备，每个试验记录3秒，间隔4秒。数据收集共需60次试验，包括30次右手想象和30次左手想象，整个实验约需9分钟。为防止视觉诱发电位的影响，每个试验在视觉提