AI和脑电脑界面可以预测瘫痪的预期运动

人工智能(AI)机器学习结合脑 - 计算机界面(BCI)神经技术正在为残疾人提供一丝希望的希望.在神经生理学杂志中发表的一项新研究表明，通过使用可穿戴传感器预测预期运动，如何使AI启用的BCI能够使脊髓损伤严重瘫痪.

最严重的瘫痪形式之一是四倍瘫痪，也称为四重曲线，其在其两臂上存在部分或完全损失的条件，并且由于脊髓损伤或由于脊髓损伤而导致的双腿均造成部分或完全损失.

"这种可穿戴系统有可能通过运动意向使人们具有四欧元来控制辅助设备，"与伦敦帝国帝国帝国大学，匹兹堡大学和俄亥俄州的巴尔尔乐纪念馆隶属于Carnegie Mellon University .

无需手术

目前，Intracorical BCIS，也称为脑机接口，需要手术，这是广泛采用的障碍.是什么让这项研究独特的是，科学家们已经表明了可穿戴传感器阵列与AI机器学习结合的方式可以提供外科植入解决方案的潜在替代品.

"本研究的目的是评估从可穿戴传感器中导出电机控制信号的可行性，该传感器可以检测慢性颈脊髓损伤(SCI)后瘫痪肌肉中的残留电机单元活性，"科学家写道.

肌电磁性活动

科学家创造了一个套筒电极阵列，在可拉伸的织物上设有带150个不锈钢盘电极的套筒电极阵列，以测量肌电活动 - 肌肉产生的电活动.将该套筒放在研究前14岁的32岁的四元互联人的前臂上，从研究前14年来伤害.该研究参与者无法移动他的手指，但他的手腕上有有限的运动.

"本研究提供了可穿戴界面的首次演示，用于记录和解码电机单元低于电动机完整SCI的人的伤害水平的射击率的射击率，"研究人员写道.

研究人员记录了与肌肉收缩相关的电脉冲，而在二次互联人试图执行在计算机屏幕上显示的一系列手势，因为隔离来自20个电机单元的电机单元动作电位.尝试的动作包括第一届会议中的肩膀，手指，手腕和肘部.在接下来的会议上18个月之后，相同的参与者被给予视频指示，以尝试手指和手腕，手工扩展运动和圆柱形掌握.

Even though the participant could not move his fingers due to his spinal cord injuries, there were muscles that were still connected to his brain that could generate myoelectric signals, albeit the signals were weak.

线性判别分析

研究人员使用了线性判别分析，用于AI监督机器学习的常用预处理步骤，可减少维度并同时对数据进行分类.

"这些结果证明了制造可穿戴传感器的潜力，用于确定来自备用电机神经元的运动意图，这可能使得具有严重的四曲的人来控制辅助装置，例如计算机，轮椅和机器人操纵器，"科学家们结束了.

版权所有©2022 Cami Rosso.版权所有.