導讀 即使是簡單的、頻繁執(zhí)行的運動任務(wù)，例如開門或抓住物體，有時實現(xiàn)得更好，有時更差，有時更快，有時更慢，有時更精確，有時不太精確。這種...
即使是簡單的、頻繁執(zhí)行的運動任務(wù)，例如開門或抓住物體，有時實現(xiàn)得更好，有時更差，有時更快，有時更慢，有時更精確，有時不太精確。這種表現(xiàn)的差異可以部分追溯到大腦活動。弗萊堡大學 BrainLinks-BrainTools 卓越集群的一個跨學科初級研究小組(由計算機科學家 Michael Tangermann 博士領(lǐng)導)開發(fā)了一種自學習算法，可以預(yù)測動作的精度。該程序可用于身體訓練方法和改善中風后的康復。該研究發(fā)表在《人類神經(jīng)科學前沿》雜志Frontiers上。
借助腦電圖 (EEG)，科學家多年前就發(fā)現(xiàn)，大腦中的活動模式先于運動。弗萊堡的這項研究也是基于腦電圖信號的數(shù)據(jù)。研究人員對 20 名平均年齡 53 歲的健康參與者進行了檢查。這些參與者必須通過反復按下功率傳感器來在計算機屏幕上追蹤路線。他們的大腦活動在鍛煉前和鍛煉期間被記錄。自學習算法定義了復雜大腦信號中的重要特征，使研究人員能夠預(yù)測給定參與者執(zhí)行動作的效果。這種機器學習過程通常用于高維數(shù)據(jù)的背景下，例如用于改進搜索引擎。該算法根據(jù)許多示例學習處方，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)測模型。對于中風患者的運動康復來說，推遲運動任務(wù)直到達到所需的大腦活動可能會有所幫助。弗萊堡的團隊將在未來的研究中與弗萊堡大學醫(yī)學中心一起研究這種訓練效果。
標簽：
免責聲明：本文由用戶上傳，如有侵權(quán)請聯(lián)系刪除！