Kaslar ve katılımcılar arasında sinirsel sürücü tahmini için genelleştirilebilir bir derin CNN’ye doğru
Yüksek yoğunluklu elektromiyografi (HD-EMG) ayrıştırma algoritmaları, motor amacını tahmin etmek için toplu olarak nöral hareket kodunu oluşturan bireysel motor ünite ani trenlerini tanımlamak için kullanılır. Bu yaklaşım, çevrimdışından çevrimiçi ayrıştırmaya, izometrikten dinamik kasılmalara doğru ilerlemiş ve çok çeşitli sinir-makine arayüzü uygulamalarına yol açmıştır. Bununla birlikte, mevcut çevrimiçi yöntemler, farklı bir günde aynı kasa veya farklı bir kişiye uygulandığında, uygulamalarını gerçek zamanlı bir sinir-makine arayüzünde sınırlayan çevrimdışı yeniden eğitime ihtiyaç duyar. Ayrı oturumlarda, kaslarda ve katılımcılarda kaydedilen HD-EMG verilerine yeniden eğitim vermeden uygulamasını genelleştirmek için motor ünite aksiyon potansiyellerinin genel uzay-zamansal özelliklerini yakalayan, sinirsel sürücü tahmini için derin bir evrişimli sinir ağı (CNN) çerçevesi önerdik. Katılımcılar yaklaşık 20 ay arayla iki seans boyunca izometrik kasılmalar gerçekleştirirken, vastus medialis ve vastus lateralis kaslarından HD-EMG sinyallerini kaydettik. Bir kör kaynak ayırma (BSS) yöntemi kullanarak HD-EMG sinyallerinden motor ünitesi ani trenlerini belirledik ve daha sonra derin CNN’yi eğitmek ve doğrulamak için bu motor ünitelerinin kümülatif ani trenlerini (CST) ve HD-EMG sinyallerini kullandık. Ortalama olarak, BSS’den CST ile derin CNN’den gelenler arasındaki korelasyon katsayıları, oturumlar ve kaslar arasında bir dışarıda bırakma doğrulaması için 0,977±0,007 ve katılımcılar arasında bir dışarıda bırakma doğrulaması için 0,985±0,005 idi. Dörtten fazla veri kümesiyle eğitildiğinde, kaslar, oturumlar ve katılımcılar arasında çapraz doğrulamalar için derin CNN’nin performansı 0,979±0,001’de doyurulur. Bu nedenle, derin CNN’nin, yeniden eğitim olmaksızın yukarıda belirtilen koşullar genelinde genelleştirilebilir olduğu sonucuna varabiliriz. Nöral-makine arayüzleri için kaslara giden sinirsel sürücüyü tahmin etmek için potansiyel olarak sağlam bir derin CNN oluşturabiliriz.
