論文の概要: EEG classifier cross-task transfer to avoid training sessions in robot-assisted rehabilitation

• arxiv url: http://arxiv.org/abs/2402.17790v1
• Date: Mon, 26 Feb 2024 11:26:38 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-29 17:36:09.983838
• Title: EEG classifier cross-task transfer to avoid training sessions in robot-assisted rehabilitation
• Title（参考訳）: ロボット支援リハビリテーションにおけるトレーニングセッションを避けるための脳波分類器クロスタスク転送
• Authors: Niklas Kueper, Su Kyoung Kim and Elsa Andrea Kirchner
• Abstract要約: 当社のアプローチでは,特定のトレーニングセッションを必要とせずにラベル付きトレーニングデータを記録できる。 治療中、ラベル付き脳波データを収集することで、患者の腕だけの動きを予測することができる。
• 参考スコア（独自算出の注目度）: 1.6574413179773757
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background: For an individualized support of patients during rehabilitation, learning of individual machine learning models from the human electroencephalogram (EEG) is required. Our approach allows labeled training data to be recorded without the need for a specific training session. For this, the planned exoskeleton-assisted rehabilitation enables bilateral mirror therapy, in which movement intentions can be inferred from the activity of the unaffected arm. During this therapy, labeled EEG data can be collected to enable movement predictions of only the affected arm of a patient. Methods: A study was conducted with 8 healthy subjects and the performance of the classifier transfer approach was evaluated. Each subject performed 3 runs of 40 self-intended unilateral and bilateral reaching movements toward a target while EEG data was recorded from 64 channels. A support vector machine (SVM) classifier was trained under both movement conditions to make predictions for the same type of movement. Furthermore, the classifier was evaluated to predict unilateral movements by only beeing trained on the data of the bilateral movement condition. Results: The results show that the performance of the classifier trained on selected EEG channels evoked by bilateral movement intentions is not significantly reduced compared to a classifier trained directly on EEG data including unilateral movement intentions. Moreover, the results show that our approach also works with only 8 or even 4 channels. Conclusion: It was shown that the proposed classifier transfer approach enables motion prediction without explicit collection of training data. Since the approach can be applied even with a small number of EEG channels, this speaks for the feasibility of the approach in real therapy sessions with patients and motivates further investigations with stroke patients.
• Abstract（参考訳）: 背景:リハビリテーション中の患者を個別に支援するには,脳波(EEG)から個別の機械学習モデルを学習する必要がある。 当社のアプローチでは,特定のトレーニングセッションを必要とせずにラベル付きトレーニングデータを記録できる。 この目的のために、計画された外骨格補助リハビリテーションは、影響を受けない腕の活動から運動意図を推測できる両側ミラー療法を可能にする。 このセラピーの間、ラベル付き脳波データを収集し、患者の患部のみの動き予測を可能にする。 方法: 健常者8名を対象に調査を行い, 分類器伝達法の性能評価を行った。 各被験者は,64チャンネルから脳波データを記録しながら,40個の自覚的片側・左右方向の目標への到達動作を3回実施した。 支持ベクトルマシン(SVM)分類器を両動作条件下で訓練し,同じ動作の予測を行った。 さらに,両側運動状態のデータに基づいて訓練したビーイングのみを用いて,片側運動を予測するために分類器の評価を行った。 結果: 片側運動意図を含む脳波データに基づいて直接訓練された分類器と比較して, 選択された脳波チャネルで訓練された分類器の性能は有意に低下しないことが示された。 さらに,本手法は8チャンネルでも4チャンネルでも有効であることがわかった。 結論: 提案手法により, 学習データの明示的な収集を伴わずに, 動作予測が可能となった。 このアプローチは脳波チャンネルが少なくても適用可能であるため、実際の患者とのセラピーセッションにおけるアプローチの実現可能性を示し、脳卒中患者に対するさらなる調査を動機づける。

関連論文リスト

• Reciprocal Learning of Intent Inferral with Augmented Visual Feedback for Stroke [2.303526979876375]
  本稿では,意図的推論型分類器への人間の適応を容易にする双方向パラダイムを提案する。 我々はこのパラダイムを、脳卒中のためのロボットハンドの整形制御の文脈で実証する。 脳卒中患者を対象に行った実験では,他者に対するパフォーマンスに悪影響を及ぼすことなく,サブセットでの相互学習によるパフォーマンス向上が見られた。
  論文  参考訳（メタデータ） (2024-12-10T22:49:36Z)
• Multi-Modal Self-Supervised Learning for Surgical Feedback Effectiveness Assessment [66.6041949490137]
  そこで本研究では,音声による音声入力とそれに対応する手術映像からの情報を統合して,フィードバックの有効性を予測する手法を提案する。 以上の結果から,手書きフィードバックと手術映像の両方が,訓練者の行動変化を個別に予測できることがわかった。 本研究は,手術フィードバックの自動評価を推進するためのマルチモーダル学習の可能性を示すものである。
  論文  参考訳（メタデータ） (2024-11-17T00:13:00Z)
• A Medical Low-Back Pain Physical Rehabilitation Dataset for Human Body Movement Analysis [0.6990493129893111]
  本稿では,低背痛リハビリテーションを施行した臨床患者の医療データセットについて,4つの課題に対処し,提案する。 データセットには、3D Kinectスケルトンの位置と向き、RGBビデオ、2Dスケルトンデータ、正確性を評価するための医用アノテーション、身体部分とタイムパンのエラー分類とローカライゼーションが含まれている。
  論文  参考訳（メタデータ） (2024-06-29T19:50:06Z)
• Multimodal deep learning approach to predicting neurological recovery from coma after cardiac arrest [2.374912052693646]
  本研究の目的は,臨床データと多チャンネル脳波,心電図などの時系列データを用いて,心停止後のコマから神経学的回復を予測することである。 提案したモデルでは,自然循環復帰後,72ドル(約7,200円)の予測を行うために,隠れテストセットで0.53ドル(約5,800円)のスコアを得た。
  論文  参考訳（メタデータ） (2024-03-09T22:29:24Z)
• SAR-RARP50: Segmentation of surgical instrumentation and Action Recognition on Robot-Assisted Radical Prostatectomy Challenge [72.97934765570069]
  外科的動作認識と意味計測のセグメンテーションのための,最初のマルチモーダルなインビボデータセットを公開し,ロボット補助根治術(RARP)の50の縫合ビデオセグメントを収録した。 この課題の目的は、提供されたデータセットのスケールを活用し、外科領域における堅牢で高精度なシングルタスクアクション認識とツールセグメンテーションアプローチを開発することである。 合計12チームがこのチャレンジに参加し、7つのアクション認識方法、9つの計器のセグメンテーション手法、そしてアクション認識と計器のセグメンテーションを統合した4つのマルチタスクアプローチをコントリビュートした。
  論文  参考訳（メタデータ） (2023-12-31T13:32:18Z)
• Mimetic Muscle Rehabilitation Analysis Using Clustering of Low Dimensional 3D Kinect Data [1.53119329713143]
  本報告では, 筋損傷による顔面麻痺患者のリハビリテーションに対する非観血的アプローチについて考察する。 本研究は,HB(House-Brackmann)尺度など,現在の主観的アプローチと比較して,リハビリテーションプロセスの客観的化を目的としている。 この研究は、Kinectステレオビジョンカメラを用いて得られた120の計測値を持つ85人の異なる患者のデータセットを含んでいる。
  論文  参考訳（メタデータ） (2023-02-15T09:45:27Z)
• Automated Fidelity Assessment for Strategy Training in Inpatient Rehabilitation using Natural Language Processing [53.096237570992294]
  戦略トレーニング (Strategy Training) とは、脳卒中後の認知障害患者に障害を減らすためのスキルを教える、リハビリテーションのアプローチである。 標準化された忠実度評価は治療原則の遵守度を測定するために用いられる。 本研究では,ルールベースNLPアルゴリズム,長短項メモリ(LSTM)モデル,および変換器(BERT)モデルからの双方向エンコーダ表現を開発した。
  論文  参考訳（メタデータ） (2022-09-14T15:33:30Z)
• 2021 BEETL Competition: Advancing Transfer Learning for Subject Independence & Heterogenous EEG Data Sets [89.84774119537087]
  我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。 第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。 タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
  論文  参考訳（メタデータ） (2022-02-14T12:12:20Z)
• Appearance Learning for Image-based Motion Estimation in Tomography [60.980769164955454]
  トモグラフィー画像では、取得した信号に擬似逆フォワードモデルを適用することにより、解剖学的構造を再構成する。 患者の動きは、復元過程における幾何学的アライメントを損なうため、運動アーティファクトが生じる。 本研究では,スキャン対象から独立して剛性運動の構造を認識する外観学習手法を提案する。
  論文  参考訳（メタデータ） (2020-06-18T09:49:11Z)
• A Review of Computational Approaches for Evaluation of Rehabilitation Exercises [58.720142291102135]
  本稿では,モーションキャプチャシステムを用いたリハビリテーションプログラムにおける患者のパフォーマンスを評価するための計算手法についてレビューする。 エクササイズ評価のための再検討された計算手法は, 離散的な運動スコア, ルールベース, テンプレートベースアプローチの3つのカテゴリに分類される。
  論文  参考訳（メタデータ） (2020-02-29T22:18:56Z)
• Deep Learning of Movement Intent and Reaction Time for EEG-informed Adaptation of Rehabilitation Robots [0.0]
  適応は 運動学習の促進において リハビリテーションロボットにとって 重要なメカニズムです 本稿では,脳波を用いた深部畳み込みニューラルネットワーク(CNN)を提案する。 本研究は,脳波の同期データから,個別の運動成分が運動学習にどう関与するかを予測できることを示す。
  論文  参考訳（メタデータ） (2020-02-18T13:20:46Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。