Comparative Analysis of EEG Signals in Bimanual Coordination: Real vs. Virtual Environments for Rehabilitation
Notice bibliographique
Résumé
To develop robots to assist patients in the rehabilitation of upper limbs, research into bimanual coordination is imperative.The aim of our project is to obtain, decode, and compare electroencephalogram (EEG) signals of brain activities in bimanual movement coordination in real and virtual environments.The work included the development of a virtual gaming environment for users to perform three bimanual coordination tasks.EEG signals were collected, preprocessed, and analyzed from three subjects performing these activities in the virtual environment.Time-Frequency Analysis (TFA) was used to extract features in five channels (C1, C2, C3, C4, and Cz).EEG signals were also collected from the same users performing similar activities in the real environment.Comparing the TFA results between the virtual and real environments, significant differences were found in the two subjects.Machine learning techniques were also applied to classify the three motions in the virtual and real environments based on the EEG signals collected from 64 channels.Results show that the highest average classification accuracies of 72.9 ± 9.37% and 70.5 ± 6.11% in real and virtual environments were obtained in three bimanual coordination movements using the EEGNet model.The results indicate the feasibility of decoding the bimanual coordination movements on EEG, and the impact of the virtual environment on EEG signals in time and frequency domains.In the future, we would increase the number of subjects and improve the immersion quality of our virtual environment.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».