Classification of MI EEG Signal Using Deep Learning Architectures for a Lower-Limb Rehabilitation Exoskeleton

Abstract

Recent advances in neuroscience and engineering have resulted in brain-computer interface (BCI) devices that enhance the quality of life for people with movement limitations. BCI enables external devices to perform tasks using brain signals that are received, processed, and converted into commands by the brain. A widely used BCI paradigm based on electroencephalograms (EEGs) is motor imagery (MI), which has demonstrated potential as a tool for neurorehabilitation. In recent years, deep learning architectures have gained considerable attention for their ability to analyze EEG signals. This review paper focuses on applying deep learning for MI EEG classification in controlling lower-limb rehabilitation exoskeletons. Finally, current issues and potential directions will be discussed.

Nedávný pokrok v neurovědě a inženýrství vedl k zařízením s rozhraním mozek-počítač (BCI), která zlepšují kvalitu života lidí s pohybovým omezením. BCI umožňuje externím zařízením provádět úkoly pomocí mozkových signálů, které jsou přijímány, zpracovávány a převáděny na příkazy. Široce používaným paradigmatem BCI založeným na elektroencefalogramech (EEG) je motorická imaginace (MI), která prokázala potenciál jako nástroj pro neurorehabilitaci. V posledních letech si architektury hlubokého učení získaly značnou pozornost pro svou schopnost analyzovat signály EEG. Tato přehledová práce se zaměřuje na aplikaci hlubokého učení pro klasifikaci MI EEG při řízení exoskeletů pro rehabilitaci dolních končetin. Nakonec jsou diskutovány aktuální problémy a potenciální směry.