文献

J-GLOBAL ID：202202243183000572   整理番号：22A0978889

EEG信号からの複雑な手把持に関連する連続筋肉運動を解読する【JST・京大機械翻訳】

Decoding Continual Muscle Movements Related to Complex Hand Grasping from EEG Signals

著者 (4件)： Cho Jeong-Hyun (Korea University,Dept. Brain and Cognitive Engineering,Seoul,Republic of Korea) ,  Kwon Byoung-Hee (Korea University,Dept. Brain and Cognitive Engineering,Seoul,Republic of Korea) ,  Lee Byeong-Hoo (Korea University,Dept. Brain and Cognitive Engineering,Seoul,Republic of Korea) ,  Lee Seong-Whan (Korea University,Dept. Artificial Intelligence,Seoul,Republic of Korea)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2022  号： BCI  ページ： 1-5  発行年： 2022年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 脳-コンピュータインタフェイス(BCI)は,脳波(EEG)信号から運動実行(ME)または運動イメージ(MI)を解読することによってユーザの意図を解釈するための実用的経路である。しかし,MEまたはMIによって駆動されるBCIシステムの開発は,特に連続および複合筋運動を含む場合において,挑戦的である。本研究では,MEとMIパラダイムの両方の下でEEGから3つの把持行動を分析した。また,オフラインおよび擬似オンライン実験での分類性能を調べた。分類精度を改善するために,畳み込みニューラルネットワーク(CNN)に対する筋活動パターン(MAP)画像を用いる新しい方法を提案した。EEGと筋電図(EMG)信号を同時に記録し,特定の手把持を推定するために両信号を復号化することによりMAP画像を作成した。その結果,著者らは,4つのクラスに対してすべての15人の被験者において,MEにおいて63.6(±6.7)%,MIにおいて45.8(±4.4)%の平均分類精度を得た。また,擬似オンライン実験を行い,MEで60.5(±8.4)%,MIで42.7(±6.8)%の分類精度を得た。提案方法MAP-CNNは,擬似オンライン実験においてさえ安定した分類性能を示した。MAP-CNNが将来様々なBCI応用に使用できることを期待する。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 脳波 ,  *復号化 ,  筋電図
準シソーラス用語： 被験者 ,  運動イメージ ,  分類精度 ,  ブレインコンピュータインタフェイス ,  オンライン ,  オフライン ,  *脳波信号 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (6件)： EEG信号 ,  手 ,  把持 ,  筋肉 ,  運動 ,  解読