[論文レビュー] Real-Time Decoding of Movement Onset and Offset for Brain-Controlled Rehabilitation Exoskeleton

Kanishka Mitra, Satyam Kumar+4 more|arXiv (Cornell University)|Mar 17, 2026

EEG and Brain-Computer Interfaces被引用数 0

ひとこと要約

この研究は、非侵襲的EEGを用いたオンラインの二状態モ motor-imagery制御で上肢外骨格の開始と停止を実現し、デコーディングの分離性と性能を大幅に改善する fixation-based recentering 手法を導入します。

ABSTRACT

Robot-assisted therapy can deliver high-dose, task-specific training after neurologic injury, but most systems act primarily at the limb level-engaging the impaired neural circuits only indirectly-which remains a key barrier to truly contingent, neuroplasticity-targeted rehabilitation. We address this gap by implementing online, dual-state motor imagery control of an upper-limb exoskeleton, enabling goal-directed reaches to be both initiated and terminated directly from non-invasive EEG. Eight participants used EEG to initiate assistance and then volitionally halt the robot mid-trajectory. Across two online sessions, group-mean hit rates were 61.5% for onset and 64.5% for offset, demonstrating reliable start-stop command delivery despite instrumental noise and passive arm motion. Methodologically, we reveal a systematic, class-driven bias induced by common task-based recentering using an asymmetric margin diagnostic, and we introduce a class-agnostic fixation-based recentering method that tracks drift without sampling command classes while preserving class geometry. This substantially improves threshold-free separability (AUC gains: onset +56%, p = 0.0117; offset +34%, p = 0.0251) and reduces bias within and across days. Together, these results help bridge offline decoding and practical, intention-driven start-stop control of a rehabilitation exoskeleton, enabling precisely timed, contingent assistance aligned with neuroplasticity goals while supporting future clinical translation.

研究の動機と目的

• 運動イメージEEGを介して上肢外骨格の意図依存開始/停止制御を可能にする。
• オンラインの二状態MIデコodingを用いてロボット支援をリアルタイムで開始・停止を実現。
• タスクベースのリセンタリングによるバイアスを特定し、日を跨ぐ安定性を改善するクラス非依存の fixation-based recenteringを開発。
• オフラインデコoding性能と実用的なリアルタイムMI-BCI制御をリハビリテーションに橋渡し。
• 健康な参加者を対象にシステム性能を評価し、潜在的な臨床翻訳を inform。

提案手法

• 開始MIと停止MI信号を介して外骨格アシストをゲートするオンライン二状態モーターイメージ制御を用いる。
• 8–30 Hz EEG共分散特徴に対して最小距離平均識別器を備えた幾何認識のリーマンパイプラインを使用。
• アフィン不変リーマン幾何距離（AIRM）を用いてSPD共分散と距離をSPD多様体上で計算。
• EEGドリフトを緩和するためのセッションごとのリセンタリングを適用し、タスクベースリセンタリングによって導入されるバイアスを分析。
• 事前試行固定共分散を用いたクラス非依存の fixation-based recentering方法を導入。剪定、縮小、固有値条件付け、クロスランの平滑化を適用。
• デコードをHarmony外骨格と統合し、移動中のアシストトルクを有効/停止するゲーティング変数g_bciを提供。

実験結果

リサーチクエスチョン

• RQ1 オンラインEEGベースMIデコードはリアルタイムでロボット支援動作を信頼性をもって開始および終了させられるか。
• RQ2 fixationベースでクラス非依存のリセンタリング法は、タスクベースのリセンタリングと比較してオンラインの分離性とデコードバイアスを改善するか。
• RQ3 開始および終了デコードのオンライン性能指標（ヒット/ミス/タイムアウト、遅延）はセッション間でどう変化するか。
• RQ4 開始および終了決定のタイミングダイナミクスはタスク軌道とどのように一致・整合するか。

主な発見

• オンライン開始デコードはセッションを追うごとにヒット率が58%から65%へ増加、開始時のタイムアウトとミスの内訳を示す。
• オンライン終了デコードは動作追従の試みにおいてセッション2で約66%、セッション3で約63%のヒット率を達成し、タイムアウトとミスがエラーモードを詳述。
• fixation-based recenteringは大きなAUCの改善をもたらした：開始AUCは0.554（タスク）から0.866（fix）へ、約56%の増加；終了AUCは0.619から0.832へ、約34%の増加。
• 日を跨いでもfixation-based recenteringは高いAUCを維持し、タスクベースリセンタリングの性能低下を示す drift耐性の向上を示唆。
• タスクベースリセンタリングはクラスマージンを偏らせ、分離性を低下させる一方、 fixation-based recenteringは片側バイアスを減少させ、意思決定境界を鋭くした。
• 開始の決定遅延は約1秒程度（キュー固定）、終了は約3.3–3.4秒程度（動作固定）に集まっており、ターゲット到達ダイナミクスと一致。