Augmentation of Motor Imagery Data for Brain-Controlled Robot-Assisted Rehabilitation

Abstract

Brain-controlled robot-assisted rehabilitation is a promising approach in healthcare that can potentially and in parallel improve and partly automate the rehabilitation of motor apparatus and related brain structures responsible for movement. However, building a real-world rehabilitation system has many challenges and limitations. One of these challenges is the small size of the data that can be collected from the target group of people recovering from injured motor functions to train deep learning models recognizing motor imagery patterns. Therefore, the primary experiments with data augmentation and classification results over the collected and augmented dataset are presented.

Rehabilitace asistovaná robotem ovládaným mozkem je slibným přístupem ve zdravotnictví, který může potenciálně a paralelně zlepšit a částečně automatizovat rehabilitaci pohybového aparátu a příslušných mozkových struktur odpovědných za pohyb. Vybudování reálného systému pro rehabilitaci však přináší mnoho výzev a omezení. Jednou z těchto výzev je malý objem dat, který lze získat od cílové skupiny lidí zotavujících se z poranění motorických funkcí pro trénování modelů hlubokého učení rozpoznávajících vzory představy pohybu. Proto jsou zde představeny primární experimenty s rozšířením dat a výsledky klasifikace nad získaným a rozšířeným datasetem.