Characterizing the stimulation interference in electroencephalographic signals during brain–computer interface–controlled functional electrical stimulation therapy
Notice bibliographique
Résumé
Abstract Introduction The integration of brain–computer interface (BCI) and functional electrical stimulation (FES) has brought about a new rehabilitation strategy: BCI‐controlled FES therapy or BCI‐FEST. During BCI‐FEST, the stimulation is triggered by the patient’s brain activity, often monitored using electroencephalography (EEG). Several studies have demonstrated that BCI‐FEST can improve voluntary arm and hand function after an injury, but few studies have investigated the FES interference in EEG signals during BCI‐FEST. In this study, we evaluated the effectiveness of band‐pass filters, used to extract the BCI‐relevant EEG components, in simultaneously reducing stimulation interference. Methods We used EEG data from eight participants recorded during BCI‐FEST. Additionally, we separately recorded the FES signal generated by the stimulator to estimate the spectral components of the FES interference, and extract the noise in time domain. Finally, we calculated signal‐to‐noise ratio (SNR) values before and after band‐pass filtering, for two types of movements practiced during BCI‐FEST: reaching and grasping. Results The SNR values were greater after filtering across all participants for both movement types. For reaching movements, mean SNR values increased between 1.31 dB and 36.3 dB. Similarly, for grasping movements, mean SNR values increased between 2.82 dB and 40.16 dB, after filtering. Conclusions Band‐pass filters, used to isolate EEG frequency bands for BCI application, were also effective in reducing stimulation interference. In addition, we provide a general algorithm that can be used in future studies to estimate the frequencies of FES interference as a function of the selected stimulation pulse frequency, F STIM , and the EEG sampling rate, F S .
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».