11、基于脑电图的运动执行分类用于机器人控制的研究进展

基于脑电图的运动执行分类用于机器人控制的研究进展

在机器人控制领域，如何准确、高效地解码人类的运动意图是一个关键问题。脑电图（EEG）作为一种非侵入性的脑电信号记录方法，为实现这一目标提供了可能。本文将介绍一种结合运动想象（MI）试验的学习框架，旨在尽可能早地从EEG信号中解码运动执行，并探讨其在机器人控制中的应用潜力。

模型置信水平的计算

为了计算模型在每个时间步的置信水平，采用了将Dropout作为贝叶斯近似的方法，并应用了简单的概率方法。具体步骤如下：
1. 多次预测 ：对相同的测试数据进行Tx次预测。
2. 计算频率 ：对于每个样本k，计算Tx个输出θi,k（i = 1, 2, …, Tx）的频率，使用以下公式：
- (count(\theta_{i,k}) = \sum_{x=1}^{Tx} 1_{x=\theta_{i,k}})
3. 选择输出 ：从Tx个输出中选择最频繁的输出ˆyk，即：
- (\hat{y} k = argmax {\theta_{i,k}} | count(\theta_{i,k}) |)
4. 计算置信水平 ：基于输出ˆyk的出现概率计算置信水平，公式为：
- (Confidence_k = \frac{max(count(\theta_{i,k}))}{Tx} * 100)

输出以0.5秒的时间窗口生成，并根据累积到该时间点的数据计算置信水平。如果置信水平未达到预定义的阈值Thc，则不产生输出，而是继续