从人类感觉运动皮层手势解码利用ECoG信号:一个试点研究

文摘

Electrocorticography (ECoG)已经被证明是一个有前途的神经信号来源开发脑机接口(bmi指数)。然而,许多的担忧带来的缺点大颅骨切开术植入ECoG电网限制ECoG-based bmi指数的临床翻译。在这项研究中,我们收集了临床ECoG来自三个癫痫参与者的感觉运动皮层信号时执行的手势。混合提取频带ECoG功率谱的建立同步实时BMI系统。解码精度高的三个手势实现在离线分析(85.7%,84.5%,69.7%)和在线测试(80%和82%,测试在两个参与者只)。我们甚至发现解码性能维护与通道选择贪婪算法的一个子集。更重要的是,这些选择的渠道主要是分布在中央沟和集群领域的3电极间的广场。我们的发现ECoG的减少和集群分布渠道进一步支持临床实施的可行性ECoG-based BMI手势的控制系统。

1。介绍

创建人机界面有潜在能力绕过中断运动通路引起的神经紊乱或截肢和建立一个直接解释大脑的脑和外部设备之间的通信工程(1]。通过这种新兴技术,瘫痪,切断通过外部假肢能够执行简单的操作和日常生活的提高自己的能力2]。

Electrocorticography (ECoG)被广泛用于难治性癫痫患者的癫痫病灶定位了几十年。自ECoG信号可以收集通过硬膜外或硬膜下电极放置在表面的皮层,它提供了更高的信号质量和空间分辨率比非侵入性神经信号,如脑电图信号(3]。与神经系综记录相比,ECoG记录的植入是微创,减少临床风险以及确保长期稳定(4]。因此,ECoG BMI研究吸引了相当大的和广泛的兴趣最近因其优良的性能和降低侵袭性之间的权衡。ECoG也被用于重构高维手臂运动(5,6),预测运动方向(7)和单手指弯曲(8- - - - - -11),和手势类型进行分类12,13)以及检测总把握运动(14,15用更少的培训()16]。这些研究表明,信噪比的时空分辨率ECoG信号足以代表多个手势和提供实时命令来控制机械手。

虽然ECoG已经被证明是一个好的信号来源的候选人BMI控制,安全性和可靠性问题在BMI现场之前必须仔细考虑被应用于临床实践。在这个领域开放的一个主要挑战是最小化的皮层区域。传统颅内ECoG电极排列在网格或条覆盖大面积的皮质表面目标同时监视大脑区域和本地化癫痫发病区。一些研究指出,电极的数量和位置的选择专门为临床目的并不完全同意BMI领域的需求。的很大程度上的传统植入ECoG网格对大脑产生很大的影响,大大增加了手术和术后恢复风险(17]。由于这些原因,BMI用户更喜欢小但微创电极配置网格不牺牲解码性能。通过减少电极直径和电极间的距离,一些研究定制micro-ECoG(4毫米中心间距)实现微创手术和dectect运动局部皮质活动的意图。然而,最佳的电极间的距离仍然是不确定的,需要进一步研究[18]。除此之外,减少渠道的数量在一定的解码精度的前提下也可以减少电网覆盖的区域。提出了不同的策略来优化ECoG电极通道的数量为目的的减少译码器的输入特征的数量,提高解码精度和运算速度。其中,Milekovic等人限制电极通道在有限的皮质区域使用邻近通道解码手臂运动(19]。、张等人解码视觉刺激使用单一ECoG通道(20.]。然而,据我们所知,很少有研究调查的最佳的电极通道手势歧视和这些功能的相应的解剖分布渠道。

在这项工作中,我们旨在分析ECoG表示执行期间感觉运动皮层的手势,减少电极网格覆盖的区域。通道选择通过单通道选择显示一个集群分布在一个手势歧视任务和贪婪的选择(21)是用来进一步选择最佳的电极子集。选择的电极贪婪选择观察定位在中央沟和聚集在三电极间的正方形的面积。值得注意的是,这些选择电极在识别手势信息类型与高解码性能离线和在线实时BMI系统。总的来说,这些结果将有助于我们探索减少侵袭性,有助于进一步促进临床翻译的bmi指数付诸实践应用。

2。材料和方法

2.1。参与者和植入

所有三个参与本研究患有难治性癫痫和需要手术治疗癫痫发作控制。临床硬膜下电极植入的临床监测和感觉运动皮层定位癫痫病灶。配置和电极的位置,以及植入的持续时间,测定临床需求。临床电极铂电极直径4毫米(2.3毫米)暴露在10毫米间距,一般只植入一段数天到两周不等。参与者和他们植入网站的关键信息如表所示1。

所有程序都遵循的指导和浙江大学第二附属医院批准,中国。参与者给书面知情同意后详细说明潜在风险的研究实验。

2.2。皮层映射

术后计算机断层扫描(CT)扫描是用来确认电极的位置。所有三个参与者经历的常规临床检查电机、感知、语言功能,因此通过刺激大脑皮层映射(CSM),这有助于进一步和功能定位电极。没有所有的参与者的手运动区是癫痫发病区在我们的研究中。

2.3。行为的任务

参与者被指示执行三种手势(“剪刀”,“石头,”和“纸”)或放松的休息位置根据线索在屏幕上呈现在他们面前。

在其余位置,参与者被要求放松他们的任务的手和flex的手指略微手心向上。审判开始口头提示“准备好”同时交叉显示在屏幕的中心,表明参与者保持任务的手在其余位置和做好准备。这是“基线期”(2 - 2.5 s随机)。基线期后,十字架被取而代之的是一个手势图片(“走”提示(GC)),随机显示的三个手势之一。参与者被告知立即执行手势和坚持,直到一个红色圆圈(“停止”提示(SC))出现了。2到3.5 s随机显示的姿态。SC后,参与者可以释放动作并返回到其他位置。在每个试验中,口头反馈,也就是说,“正确”或“错误的,”是由实验者告知受试者是否却是一次成功的尝试。整个课程的任务如图1(一)。试验失败,如果参与者被排除在最终的数据集不能抓住手势直到SC出现或忘记释放的手势。ECoG电极植入前,参与者被训练熟悉任务,直到他们完全理解流程和要求。

每个会话都由3块,每一块由50试验(5为P1会话,5会话为P2, P3和3会话)。参与者之间会有一个短暂的休息。在实践中,试验的数量和每个休息的时间依赖于医疗条件和参与者的意愿。

2.4。神经信号和行为数据记录

临床ECoG信号收集的硬膜下电极网格被NeuroPort记录系统(128个频道,贝莱德微系统,盐湖城,UT)。ECoG信号首先低过滤截止频率为500赫兹和存储不断在整个任务2 kHz的采样率。通道含有高水平的噪音被目视检查排除。外部事件的时间戳,提示“走”和“停止”等线索,被收购记录ECoG同步信号从NeuroPort系统时间戳。行为数据收集的5 dt数据手套与14传感器(美国5 dt Inc .)。每个传感器同时产生屈曲姿势值检测。图1 (b)显示三个传感器环的弯曲值,指数,分别和拇指。收集数据时P2剪刀的动作时,执行和曲线可以说是Savitzky-Golay过滤器(3个订单,101点)。我们定义一个运动的发生发生弯曲的一分之五导数值时连续超过一个特定的阈值。

2.5。神经信号分析

在MATLAB平台上执行离线数据处理(纳蒂克,MA)。首先,空间滤波器,即常见的平均引用,是适用于所有剩余的通道后目视检查消除常见的噪音。

2.5.1。特征提取

ECoG特性是捕获的功率谱在不同的频率范围。通过分析它的动态时空模式,我们可以描述神经功能与不同的运动状态和手势类型有关。获取时间分辨ECoG信号的功率谱,整个会话的ECoG时间序列划分为300 ms windows的重叠宽度200 ms。然后,一个3阶多窗口谱估计来计算功率谱 在每个窗口中所有选中的通道。具体来说,这种方法运用一组正交的蜡烛: 时间序列和方差最小化平均所有的锥形和独立的光谱: 在哪里N的长度是和 表示指数对应于每300毫秒的时间窗口。然后,给出平均谱:

而由于大脑信号的功率谱随频率增大而减小,称为“幂次法则”,低频率的变化将主导整个频率范围。光谱的规范化在每个频率本是十分必要的消除这一现象的观察高频率的功率谱变化。因此,基线功率谱计算的平均基线时期获得的功率谱在视觉线索在试验。然后,frequency-resolved功率谱 任务执行期间是归一化功率谱除以平均基线:

2.5.2。解码

我们使用了Matlab Libsvm包来构建一个多类支持向量机分类模型,实现手势类型分类(22]。这个分类器的输入特征是frequency-resolved功率谱在特定频率的垃圾箱,垃圾箱,频道。相应的目标输出的标签手势(“剪刀”= 1,“摇滚”= 2,和“纸”= 3)。其中,频率垃圾箱=频带宽度/频率分辨率。时间和垃圾箱跨越从[,+Δ、…+ 9Δ),是运动的时间开始和Δ吗当时一次本步骤100 ms。我们选择了10次箱子的原因,高伽马频带(70 - 135赫兹)和低频乐队(4 - 12赫兹)观察高度活跃在这一时期,如图2。因此,形成一个三维矩阵的特性,渠道,频率和时间是三维的箱子中。每个试验的最终功能后来被改造成1n(n=数量的渠道频率垃圾箱10箱)向量。

在离线解码,我们汇集每个参与者的所有试验和应用的三倍交叉验证数据集。解码性能的百分比的平均值是正确使用测试数据预测50倍。此外,机会水平是第95百分位的结果包含10000条结果的解码精度分布与随机生成的测试数据标签。我们使用一个t以及测试和计算的意义值。

2.5.3。渠道选择策略

我们使用了单通道选择和贪婪的选择逐步选择n我们的研究最好的线下渠道。

在单通道选择,我们首先计算每个通道的译码性能。的n最好的渠道渠道实现n解码性能最高单通道水平,制定支持向量机的输入向量进行训练和测试。

在贪婪选择,我们首先挑选出了最好的单通道的通道性能从渠道的总数。然后,在下一轮中,第二个最好的渠道选择时可以改善译码性能最搭配的第一通道。的n最好的渠道选择先后通过重复这个过程,然后构成了支持向量机的输入向量训练和预测。解码性能饱和n渠道在没有显著增加使用解码性能n+ 1最好的渠道。

在这项研究中,我们也比较了解码性能使用最邻近4和9频道。

2.6。实时的假手控制

最后交易日P1和P2被用来评估这种ECoG-based假肢控制系统的实时性能。第一个两个街区被用来训练SVM译码器模型,最后一个块(50试验)来评估性能。该系统成功地提取神经信号数据每100毫秒的缓冲神经信号处理和计算功能立即接收视觉提示的时间点。代码是用C语言写的。基线特征是规范化的权力由支持向量机分类器在训练数据集然后翻译成一个没有交叉验证的三种姿态。最后,手势类型被解释为控制命令发送到一个人造手通过一个串行端口。人工手站着,直到到达的命令,然后执行相应的动作。这个人造手旨在复制人类手部运动6直流驱动六自由度的人工手(五个手指和手腕)。

3所示。结果

本研究收集的数据集分析三个参与者(见材料与方法)。试验选择只有当他们成功地满足任务要求的材料和方法。图3显示每个电极的位置网格的皮质表面经术后CT扫描。

3.1。时频分析和解码性能

时频图说明的规范化和平均功率谱三种不同手势记录下一个代表频道的P1见图2(一个)。时频块与“走”提示。ECoG信号的功率谱显示刺激调制期间手运动。权力从运动开始到结束高伽马频带(> 70 - 135赫兹)和低频带包括θ频段(4 - 8 Hz)和α频段(8 - 12 Hz)。这个任务相关调制中存在类似的频带(高伽马和低频乐队)的参与者。然而,这些频带的功率谱的调制模式随不同的动作类型,表明每个手势的调制模式可能包含专有信息类型。因此,它是高度可能指定的手势类型使用功率调制模式区分高伽马和低频乐队。

所有三个参与者的解码性能图所示2 (b)。ECoG特性提取从低收入、高伽马,分别和混合频带的渠道。所有参与者的离线解码性能在不同频带明显高于水平的机会,和性能可能达到近90%的P1和P2。混合解码结果明显优于其他两个频段,高频解码结果明显优于低频性能在所有的条件除了P3(所有通道的性能t以及, )。

3.2。通道选择和解剖模式

在这项研究中,首次采用单通道选择直观地选择解码精度最高的渠道(见材料与方法)。图4情节解码性能随通道数字基于单通道选择,他们充满了9日10日和8频道在每个各自的参与者。它可以发现,使用单通道选择,许多高原点发生在解码性能达到饱和之前,表明有一些刺激信息冗余在这些选定的渠道。图5这些选择渠道植入电极网格地图。除了一些渠道,这些渠道的总体分布模式可分为集群。

减少冗余带来的单通道选择和选择最出资频道,我们进一步尝试贪婪的选择。解码性能的所有参与者在开始时表现出快速的上升趋势,然后饱和后一定数量的渠道被添加,如图4使用贪婪的选择。值得注意的是,选择的解码性能使用四个最佳渠道贪婪算法达到饱和分在三个参与者,85.7%,84.5%,和69.7%,分别。虽然他们的表演略低于获得所有的频道,解码性能不再显著提高当更添加了额外的通道进入子集。此外,贪婪的选择显示显著提高和稳定性能比单通道选择算法在相同数量的渠道用于神经解码。推断,贪婪的选择算法更合适的选择和有效的渠道比单通道的最小数量的选择。此外,我们发现,大多数的这些选择通道都聚集在一起,沿着中央沟分布(如图5)。P1和P2,所选通道位于主要在中央后回的中央前回,只有一个除外。所有的频道都是下一个或非常接近中央沟最大距离的两个电极间距。P3,所有选定的频道都位于中央前回和组在一起的除了一个通道远离其他人。

3.3。使用最近的邻近通道解码性能

从所有三个参与者在上面的结果,我们发现,饱和解码性能可以通过数量只有几个最好的渠道选择的贪婪算法。这饱和性能非常接近获得的神经信号从所有频道。值得注意的是,选择的最好的三个或四个渠道贪婪算法是空间上彼此接近,最中央沟附近。建议ECoG信号从这些邻近通道沿着中央沟最信息可能包含三种类型的手势之间的区别。因此,我们试图调查是否这些邻近电极从一个小的子集次区域ECoG网格可以提供充足的神经信号来区分三个手势解码性能的评估最近的邻近4和9频道。图6(一)说明了最高解码性能不同的渠道选择策略(邻近4,邻近9和贪婪算法)。所有三个渠道选择策略实现承诺的性能,这是明显高于水平的机会。在P1和P2,解码性能的三种策略都在82%以上,非常接近对方。三种策略中没有发现显著差异P2。虽然贪心算法的解码性能明显高于周边4选择P1,它们之间的差异小于4.0%。一般的空间格局出现,如图6 (b)表明,大多数选择的频道贪婪算法和邻近的4通道也包含在最优的平方周边9频道和频道分布沿中央沟。

贪婪和邻近的渠道策略保持一致的结果证明,手势解码的渠道可以被限制在3的面积3平方(约4厘米4厘米)当使用临床硬膜下电极解码精度高。

3.4。同步实时假肢手控制

为了进一步评估这个在线抓住BMI的可行性,我们应用实时ECoG-based控制系统使用一个人工手P1和P2。系统收集了神经数据每100毫秒从Neuroport系统缓冲区,实时提取和解码功能在个人电脑(见材料与方法)。SVM分类器与所选通道子集,混合频率乐队和滞后时间从离线分析训练使用该会话中的前两块并预测手势输入最后一块。分类结果被解释为命令和发送到人工手串口通信协议。代表时代的假肢手的状态包含7试验如图P17。整个街区的解码精度为82% (41/50)。和P2的解码精度达到80% (40/50)。

4所示。讨论

临床ECoG信号感觉运动皮层有一个良好的时间和空间分辨率来表示和歧视手势类型。然而,而不是长期慢性植入,大多数现有的信号记录定制ECoG电极网格主要用于癫痫病灶定位和暂时植入。在当前的研究中,满足解码性能可以通过只有少数和集群通道从一个小区域而不是网格上的所有频道在所有三个参与者。和一个实时ECoG-based假肢控制系统实现的一个小子集频道。

许多先前的研究已经表明,高手势解码性能可以通过利用ECoG信号(12- - - - - -14];只有少数人认为是一个平衡的可能性解码性能和通道解码手势类型的数量。

在2 d手臂运动解码,Milekovic et al。19)双通道的通道选择策略,邻近的三个或四个频道搜索最大的解码精度次区域的网格。他们指出,这是足够的提取和解码的运动信息记录神经信号只从很小相关的皮层区域。

在这项研究中,我们首先对解码性能之间的关系和渠道的数量在两channel-selecting解码策略。解码曲线的单通道选择和贪婪的选择都开始上升。然后,解码性能是饱和后的一个小子集渠道逐步添加。这些趋势明显明显的贪婪算法在所有三个参与者。我们的研究结果表明,在手势解码,一小部分渠道也可以实现高解码性能接近所有频道。

进一步研究的空间布局渠道选择由两个策略,我们绘制了通道电极网格放在皮质表面。总体空间布局,选择渠道集中在一小群沿着中央沟和分布式。我们的研究结果是一致的曹国伟的发现等。4]谁还发现最好的解码性能的肌肉活动和手的轨迹生成的有效电极靠近中央沟。这个结果也支持Milekovic等人的发现和扩展他们的应用程序利用ECoG手势解码信号从一个很小的相关皮层区域。

此外,我们发现大多数选择渠道分布在中央后回的两参与者。Pistohl et al ., Chestek et al .,和王等人还表明,高手势类型分类可以从渠道获得在中央后回12,15,23]。值得注意的是,王等人设法解码3 d ECoG的手臂运动信号获得中央后回的一个瘫痪的参与者,那些根本无法移动四肢24]。因此,建议中央后回的激活中起着重要作用的手运动。这种现象可能是由于电机控制复制或force-related反馈。此外,我们发现有一些硬脑膜之间的粘连和头骨P3的初级感觉皮层植入电极电网带来了困难。因此,没有电极位于中央后沟。也观察到神经信号的质量远比其他两个吵着。我们怀疑这些上述事实导致劣质P3的译码性能。此外,先前的研究表明,激活皮质感觉运动区域的集群在不同手指和手腕的运动。但是这种组织往往是不同的运动类型。我们的研究结果表明,手势运动期间,所选频道集群沿中央沟,特别是在中央后区。 But further investigation was required to understand whether it also applies to other complex movement tasks.

我们还观察到所选频道的解码结果(P1: 85.7%, P2:84.5%和P3:69.7%)略低于使用所有通道的结果P1和P2(88.7%)(87.6%)甚至明显高于P3 (59.8%)。小子集频道有一个很好的近似的性能获得所有渠道(如图2 (b)和6 (b)使用贪婪的选择)。这些差异可能与这一事实有关,而不是计算所有可能的组合搜索全局最优,贪婪算法产生局部最优在每个阶段。在这项研究中,我们使用贪婪选择,SVM-decoder的解码性能评估标准选择集群通道和最小化电极覆盖。在贪婪的选择方面,这种方法更快,比其他优化方法实现简单适合没有详尽的操作需要的所有数据。然而,多类支持向量机是而言,更多的译码器模型可以使用和调查为进一步减少特征空间的维度优化解码性能,如稀疏支持向量机。最重要的是,从32电极的数量可以减少到4和该地区可能会限制到一个小得多的面积4厘米4厘米。这次调查将进一步受益的发展神经信号传输的无线蓝牙设备。

从混合频带特征提取(4 - 8赫兹、8 - 12赫兹和70 - 135赫兹)。混合频段产生解码精度高于高收入或低频带P1和P2,表明两个低收入和高频波段包含不同的刺激信息。也发现,高频频带明显优于低频带在所有参与者,这表明高频手势分类中发挥更重要的作用。然而,解码性能在高伽玛乐队在P3急剧下降。这个结果也可以解释为P3的噪声很大的信号从高频信号对噪声更敏感。如图2(一个)的刺激频率范围不仅局限于所选频率范围。200赫兹的频率范围可以扩展P2和P3甚至高达300赫兹的P1,符合董事会乐队在前面研究成果的特点(25]。虽然超高频段不包括在我们的解码系统,他们可能包含额外的有用的信息和解码更好的手部运动是有用的。另一方面,β频带范围从12到30 Hz显示了移动相关权力压制在我们的研究中。虽然这个乐队不太特定的手势类型先前的研究显示[13),其刺激激活可能会用于运动检测。进一步刺激功能和详细的分析将有助于设计一个更高级的BMI。除了上面的频域特性,在时域的特性,如当地的汽车潜在的(6]或简单的平均ECoG,广泛支持了积累的证据表明,他们可能有前途的神经功能BMI。值得进行进一步检查之前应用于ECoG-based假肢手控制。

此外,作为显示在图3,选择的频道都位于不如相应的功能被皮质刺激渠道。一个可能的原因可能是相关的电刺激进行感觉运动期间粗定位考试。此外,渠道手势解码可以限制为4厘米的面积4厘米。和其他文件显示,hand-related边缘的区域包括palm和躯体感觉皮质的五个手指也横跨大约4厘米。然而,需要更多的研究来调查所选通道的面积是否一致对应一些功能性地区参与者。许多功能性神经成像技术可以采用,如功能性磁共振成像和脑磁图描记术,精确定位的位置ECoG电极网格和每个功能的预测领域电极。

最后,我们表明,同步手势可以使用一个解码ECoG-based实时控制。然而,当应用到日常生活中,它可能是不自然的,因为大多数的运动都由自愿控制调节没有特定的暗示特定“走”提示(24]。因此,在未来,一个异步BMI开始或版本可能更可行的和合适的实现自然和实用的手的动作。目前,一些研究人员发现,领会意图是由特定的神经活动模式。他们也证明了这个意图可以检测到的感觉运动皮层(23]。这些研究只局限于一些参与者,目前尚不清楚是否相同的多个手势分类。此外,从理论上讲,释放它的手势也可以发现是另一种手工将运动,但在实践中,它需要更仔细的检查区分从手工将内的神经活动。

5。结论

在这项研究中,我们探索的可行性实施ECoG-based BMI可实时解码三个手势和控制一个人工的手。三个参与者用ECoG电极网格放在感觉运动皮层。达到最小的颅骨切开术,几个策略被用来选择频道的子集。这些选择渠道的一般空间分布显示为集群中心沟。选择的渠道,高解码性能维护。预计结果将有助于翻译BMI对实践和临床应用程序实现。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究是由中国国家重点基础研究计划(2013 cb29506),中国国际科技合作项目(2014 dfg32580),国家重点研发计划(2017 yfc1308501),自然科学基金(31371001)和基础研究基金支持的中央大学。作者还要感谢伊敏沈先生的BME的浙江大学和丁先生赵霍华德休斯医学研究所研究的援助和支持。

引用

1. j·r·沃尔波n . Birbaumer d·j·麦克法兰g . Pfurtscheller和t·m·沃恩“脑-机接口的通信和控制,”临床神经生理学:临床神经生理学国际联合会的官方杂志卷,113年,第791 - 767页,2002年。视图:出版商的网站|谷歌学术搜索
2. j . m . Carmena“neuroprosthetic学习的进步和控制,”公共科学图书馆生物学e1001561条,卷。11日,2013年。视图:谷歌学术搜索
3. a . Gharabaghi g . naro a . Walter et al .,“与硬膜外脑-机接口从援助转向恢复”,恢复神经病学和神经科学32卷,第525 - 517页,2014年。视图:出版商的网站|谷歌学术搜索
4. z . c .曹国伟y Nagasaka, n .藤井裕久”长期异步解码猴子的手臂运动使用electrocorticographic信号”神经工程学领域,3卷,p。2010。视图:出版商的网站|谷歌学术搜索
5. e . c . Leuthardt g . Schalk j·r·沃尔波j·g·奥杰曼和d·w·莫兰“脑机接口使用electrocorticographic信号在人类身上,“《神经工程1卷,第71 - 63页,2004年。视图:出版商的网站|谷歌学术搜索
6. g . Schalk j . Kubanek k·j·米勒et al .,“解码二维运动轨迹在人类使用electrocorticographic信号,”《神经工程4卷,第275 - 264页,2007年。视图:出版商的网站|谷歌学术搜索
7. g . Schalk k·j·米勒:r·安德森et al。”二维运动控制在人类使用electrocorticographic信号,”《神经工程5卷,第84 - 75页,2008年。视图:出版商的网站|谷歌学术搜索
8. y录像,t·平贺柳泽d Shin et al .,“解码指尖轨迹从electrocorticographic信号在人类身上,“神经科学研究卷。85年,日相较2014页。视图:出版商的网站|谷歌学术搜索
9. j . Kubanek k·j·米勒,j .奥杰曼·g·j·r·沃尔波和g . Schalk“解码弯曲的个人使用electrocorticographic信号在人类的手指,“《神经工程》第六卷,没有。6日,第066001条,2009年。视图:出版商的网站|谷歌学术搜索
10. k·j·米勒,s . Zanos e·e·菲尔兹·m·d。Nijs, j·g·奥杰曼,“脱钩的皮质功率谱显示实时表示个体人类手指的动作,“《神经科学杂志》上,29卷,第3137 - 3132页,2009年。视图:出版商的网站|谷歌学术搜索
11. s . Acharya m . s .吹横笛的人,h·l·奔驰n e·克罗恩和n . v . Thakor”Electrocorticographic振幅预测手指位置在抓住手的动作缓慢,”《神经工程,7卷,不。4、第046002条,2010年。视图:出版商的网站|谷歌学术搜索
12. c . a . Chestek诉Gilja, c . h .连刀刃et al .,“手的姿势分类使用electrocorticography信号伽玛乐队在人类大脑感觉运动区域,”《神经工程,10卷,不。2、第026002条,2013年。视图:出版商的网站|谷歌学术搜索
13. t·平贺柳泽m . Hirata y Saitoh et al .,“实时控制的假肢手用人类electrocorticography信号,”神经外科杂志》卷,114年,第1722 - 1715页,2011年。视图:出版商的网站|谷歌学术搜索
14. t . Pistohl t . s . b .施密特t球,a . Schulze-Bonhage a . Aertsen和c较多,“掌握检测从人类ECoG自然reach-to-grasp运动期间,“《公共科学图书馆•综合》,8卷,不。1,文章e54658, 2013。视图:出版商的网站|谷歌学术搜索
15. t . Pistohl a . Schulze-Bonhage a . Aertsen c .较多和t球,“解码自然掌握类型从人类ECoG,”科学杂志59卷,第260 - 248页,2012年。视图:出版商的网站|谷歌学术搜索
16. g . Schalk”electrocorticography (ECoG)支持健壮的和强大的脑-机接口?”神经工程学领域,3卷,p。9日,2010年。视图:出版商的网站|谷歌学术搜索
17. r . p .较小,n e·克罗恩和w·r·韦伯“硬膜下电极,”临床神经生理学:临床神经生理学国际联合会的官方杂志卷,121年,第1392 - 1376页,2010年。视图:出版商的网站|谷歌学术搜索
18. a·g·劳斯j·j·威廉姆斯,j·j·惠勒和d·w·莫兰“空间互相适应的皮层控制列micro-ECoG“脑机接口”《神经工程第056018条,卷。13日,2016年。视图:出版商的网站|谷歌学术搜索
19. t . Milekovic j·费舍尔,t . Pistohl et al .,“在线脑机接口使用解码人类皮层脑电图的运动方向,”《神经工程,9卷,不。4、第046003条,2012年。视图:出版商的网站|谷歌学术搜索
20. d . Zhang h . y .歌曲,r·徐w . j .周z . p .凌和香港,“向微创脑机接口使用单一硬膜下通道:视觉拼字的研究中,“科学杂志卷。71年,30-41,2013页。视图:出版商的网站|谷歌学术搜索
21. a·k·邦萨尔c . e . Vargas-Irwin w . Truccolo和j·p·多诺霍,“低频局部场电位之间的关系,强化活动,和三维接触和掌握运动学在初级运动和腹侧前运动皮层,“神经生理学杂志卷,105年,第1619 - 1603页,2011年。视图:出版商的网站|谷歌学术搜索
22. m·p·布兰科z诉Freudenburg e . j . Aarnoutse m·g . Bleichner m . j . Vansteensel n·f·拉姆齐,“解码手势使用高密度ECoG从初级躯体感觉皮层,“科学杂志卷,147年,第142 - 130页,2017年。视图:出版商的网站|谷歌学术搜索
23. z, a . Gunduz p . Brunner, a . l . Ritaccio霁,和g . Schalk“解码发病和运动方向使用electrocorticographic (ECoG)信号在人类身上,“神经工程学领域,5卷,p。2012。视图:出版商的网站|谷歌学术搜索
24. j·f·德尔珈朵Saa、公元纠缠和m . Cetin“异步解码ECoG的手指动作信号使用远程依赖条件随机域,“《神经工程,13卷,不。3,第036017条,2016年。视图:出版商的网站|谷歌学术搜索
25. a . Gunduz j·c·桑切斯·r·卡尼和j·c·普林西比“宽带electrocorticographic记录映射到二维的手在人类轨迹运动控制功能,“神经网络22卷,第1270 - 1257页,2009年。视图:出版商的网站|谷歌学术搜索

版权

版权©2017李曰et al。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。