即使是簡(jiǎn)單的、頻繁執(zhí)行的運(yùn)動(dòng)任務(wù)，例如開門或抓住物體，有時(shí)實(shí)現(xiàn)得更好，有時(shí)更差，有時(shí)更快，有時(shí)更慢，有時(shí)更精確，有時(shí)不太精確。這種表現(xiàn)的差異可以部分追溯到大腦活動(dòng)。弗萊堡大學(xué) BrainLinks-BrainTools 卓越集群的一個(gè)跨學(xué)科初級(jí)研究小組(由計(jì)算機(jī)科學(xué)家 Michael Tangermann 博士領(lǐng)導(dǎo))開發(fā)了一種自學(xué)習(xí)算法，可以預(yù)測(cè)動(dòng)作的精度。該程序可用于身體訓(xùn)練方法和改善中風(fēng)后的康復(fù)。該研究發(fā)表在《人類神經(jīng)科學(xué)前沿》雜志Frontiers上。
借助腦電圖 (EEG)，科學(xué)家多年前就發(fā)現(xiàn)，大腦中的活動(dòng)模式先于運(yùn)動(dòng)。弗萊堡的這項(xiàng)研究也是基于腦電圖信號(hào)的數(shù)據(jù)。研究人員對(duì) 20 名平均年齡 53 歲的健康參與者進(jìn)行了檢查。這些參與者必須通過反復(fù)按下功率傳感器來在計(jì)算機(jī)屏幕上追蹤路線。他們的大腦活動(dòng)在鍛煉前和鍛煉期間被記錄。自學(xué)習(xí)算法定義了復(fù)雜大腦信號(hào)中的重要特征，使研究人員能夠預(yù)測(cè)給定參與者執(zhí)行動(dòng)作的效果。這種機(jī)器學(xué)習(xí)過程通常用于高維數(shù)據(jù)的背景下，例如用于改進(jìn)搜索引擎。該算法根據(jù)許多示例學(xué)習(xí)處方，使其能夠在未來解碼未知的數(shù)據(jù)集。
下一步，研究人員希望闡明如何使用此類預(yù)測(cè)模型。對(duì)于中風(fēng)患者的運(yùn)動(dòng)康復(fù)來說，推遲運(yùn)動(dòng)任務(wù)直到達(dá)到所需的大腦活動(dòng)可能會(huì)有所幫助。弗萊堡的團(tuán)隊(duì)將在未來的研究中與弗萊堡大學(xué)醫(yī)學(xué)中心一起研究這種訓(xùn)練效果。
標(biāo)簽：
免責(zé)聲明：本文由用戶上傳，如有侵權(quán)請(qǐng)聯(lián)系刪除！