Schnelle und genaue Decodierung von Fingerbewegungen aus ECoG mittels Riemannscher Merkmale und moderner Machine-Learning-Techniken

Ziel. Die präzise Decodierung einzelner Fingerbewegungen ist entscheidend für die Weiterentwicklung der Prothesensteuerung. In dieser Arbeit stellen wir die Verwendung von Riemannschen Raum-Features sowie der zeitlichen Dynamik von Elektrokortikographie-(ECoG-)Signalen in Kombination mit modernen Machine-Learning-(ML)-Methoden vor, um die Genauigkeit der motorischen Decodierung auf Ebene einzelner Finger zu verbessern.Vorgehensweise. Wir identifizierten eine Reihe informativer Biomarker, die mit Fingerbewegungen korrelierten, und bewerteten die Leistung state-of-the-art-ML-Algorithmen anhand des Brain-Computer-Interface-(BCI-)Wettbewerbs-IV-Datensatzes (ECoG, drei Probanden) sowie eines zweiten ECoG-Datensatzes mit ähnlicher Aufnahmeparametrierung (Stanford, neun Probanden). Darüber hinaus untersuchten wir die zeitliche Verkettung von Merkmalen, um die historische Entwicklung des ECoG-Signals effektiv zu erfassen. Dies führte zu einer signifikanten Verbesserung gegenüber der Einzel-Epochen-Decodierung sowohl bei Klassifikationsaufgaben (p < 0,01) als auch bei Regressionsaufgaben (p < 0,01).Hauptergebnisse. Unter Verwendung der Merkmalsverkettung und gradientenverbesserter Bäume (des leistungsstärksten Modells) erreichten wir eine Klassifikationsgenauigkeit von 77,0 % bei der Detektion einzelner Fingerbewegungen (sechs-Klassen-Aufgabe, einschließlich Ruhezustand), was eine Verbesserung um 11,7 % gegenüber den state-of-the-art-conditional random fields auf den drei BCI-Wettbewerbsprobanden darstellt. Bei der kontinuierlichen Decodierung der Bewegungstrajektorie erzielte unser Ansatz im Durchschnitt über alle Probanden und Finger einen Pearson-Korrelationskoeffizienten (r) von 0,537 und übertraf sowohl den BCI-Wettbewerbsgewinner als auch den state-of-the-art-Ansatz, der auf demselben Datensatz beruht (CNN + LSTM). Zudem zeichnet sich unsere vorgeschlagene Methode durch eine geringe Zeitkomplexität aus: Die Trainingszeit beträgt weniger als 17,2 s und die Inferenzzeit weniger als 50 ms. Dies ermöglicht eine etwa 250-fache Beschleunigung des Trainings im Vergleich zu zuvor berichteten Deep-Learning-Verfahren mit state-of-the-art-Leistung.Bedeutung. Die vorgestellten Techniken ermöglichen eine schnelle, zuverlässige und leistungsstarke Steuerung von Prothesen mittels minimal-invasiven kortikalen Signalen.