[논문 리뷰] Real-Time Decoding of Movement Onset and Offset for Brain-Controlled Rehabilitation Exoskeleton

Kanishka Mitra, Satyam Kumar외 4명|arXiv (Cornell University)|2026. 03. 17.

EEG and Brain-Computer Interfaces인용 수 0

한 줄 요약

이 연구는 비침습적 EEG를 이용하여 상지 외골격을 시작하고 종료하기 위한 온라인 이중 상태 모터 상상 제어를 시연하고, 고정 기반 재정렬(fixation-based recentering) 방법을 도입하여 해독 분리성 및 성능을 크게 향상시킨다.

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.

연구 동기 및 목표

• 상지 외골격의 의도-연동 시작/정지 제어를 모터 상상 EEG를 통해 가능하게 한다.
• 실시간 시작 및 로봇 보조의 중단을 위한 온라인 이중 상태 MI 디코딩을 시연한다.
• 작업 기반 재정렬로 인한 편향을 식별하고, 클래스에 구애받지 않는 고정 기반 재정렬을 개발하여 차일 간 안정성을 향상시킨다.
• 오프라인 디코딩 성능과 재활을 위한 실시간 MI-BCI 제어의 실용성 간의 연결고리를 마련한다.
• 건강한 참가자에서 시스템 성능을 평가하여 잠재적 임상 번역에 대한 정보를 얻는다.

제안 방법

• 연 online 이중 상태 모터-상상 제어를 사용하여 Start MI 및 Stop MI 신호를 통해 외골격 보조를 게이트한다.
• 8–30 Hz EEG 공분산 특징에 대해 기하학적 인식 파이프라인과 최소-평균 거리 분류기를 사용한다.
• SPD 다양체에서 Affine-invariant Riemannian metric (AIRM)을 이용해 SPD 공분산과 거리를 계산한다.
• EEG 드리프트를 완화하고 작업 기반 재정렬이 도입하는 편향을 분석하기 위해 세션별 재정렬을 적용한다.
• 예비 시도 고정 공분산을 사용한 분류 비편향의 고정 기반 재정렬 방법을 도입하고 프 pruning, shrinkage, eigenvalue conditioning, 교차 실행 스무딩을 수행한다.
• 해석을 Harmony 외골격과 통합하여 움직임 동안 보조 토크를 가능하게 하거나 차단하는 게이팅 변수 g_bci를 제공한다.

실험 결과

연구 질문

• RQ1 온라인 EEG 기반 MI 디코딩이 실시간으로 로봇 보조 움직임을 신뢰성 있게 시작하고 종료할 수 있는가?
• RQ2 클래스에 구애받지 않는 고정 기반 재정렬 방법이 작업 기반 재정렬에 비해 온라인 분리성과 디코딩 편향 감소에 기여하는가?
• RQ3 세션 간 시작 및 종료 디코딩의 온라인 성능 지표(히트/미스/타임아웃, 지연)는 무엇인가?
• RQ4 시작 및 종료 결정의 타이밍 다이나믹스가 작업 궤도와 어떻게 비교되고 정렬되는가?

주요 결과

• 온라인 시작 디코딩은 세션 간 히트율이 58%에서 65%로 증가하며, 시작의 타임아웃 및 미스가 특징지어졌다.
• 온라인 종료 디코딩은 움직임 추종 시도에서 세션 2에서 약 66%의 히트율, 세션 3에서 63%의 히트율을 달성했고, 타임아웃과 미스로 오류 양상을 상세히 제시했다.
• 고정 기반 재정렬은 큰 AUC 향상을 가져왔다: 시작 AUC는 task에서 0.554에서 0.866으로 상승, 증가율은 56%; 종료 AUC는 0.619에서 0.832로 상승, 증가율은 34%.
• 일수에 걸쳐 고정 기반 재정렬은 높은 AUC를 유지하는 반면 작업 기반 재정렬의 성능은 감소하여 드리프트에 대한 내성이 더 나았음을 시사한다.
• 작업 기반 재정렬은 클래스 마진에 편향을 주어 분리성을 감소시키는 반면, 고정 기반 재정렬은 편향을 감소시키고 의사결정 경계를 선명하게 했다.
• 결정 지연은 시작(큐-락킹)에서 약 1초, 종료(움직임-락킹)에서 약 3.3–3.4초에 군집화되었으며 목표 도달 다이나믹스에 정렬되었다.