一个超低功率的实时机器学习基于fNIRS运动文物检测
Renas Ercan1,2, Yunjia Xia3, Yunyi Zhao3
1UCL UCL WC1E 6BT London U.K.
IEEE transactions on very large scale integration (VLSI) systems
|May 20, 2024
概括
本研究介绍了一种超低功耗的机器学习模块,用于在功能近红外光谱 (fNIRS) 系统中检测运动器件. 开发的基于现场可编程网关阵列 (FPGA) 的分类器实现了高精度,同时满足可穿戴设备的关键低功耗和资源限制.
科学领域:
- 生物医学工程 生物医学工程
- 机器学习 机器学习
- 可穿戴技术可穿戴技术
背景情况:
- 机器学习模型需要大量的计算资源,限制了它们在功率受限制的可穿戴设备中的应用.
- 运动工件是功能近红外光谱 (fNIRS) 数据采集的一个主要挑战,影响信号质量和分析.
研究的目的:
- 为fNIRS系统开发一种基于实时机器学习的超低功耗运动工件检测模块.
- 为了使fNIRS技术能够在具有有限处理能力和内存的可穿戴设备中部署.
主要方法:
- 在现场可编程网关阵列 (FPGA) 上实现机器学习分类器.
- 针对超低功耗和最小资源利用 (LUT,FF) 的优化.
- 实时处理fNIRS数据用于运动工件检测.
主要成果:
- 实现了97.42%的高分类准确度,用于运动文物检测.
- 证明了0.021W的超低动态功耗.
- 报告的FPGA资源利用率较低 (38,354 LUT,6,024 FF),性能优于传统的基于CPU的支持矢量机 (SVM) 方法.
结论:
- 基于FPGA的fNIRS运动工件分类在低功耗和资源限制下是可行的.
- 开发的模块满足了可穿戴系统的关键嵌入式硬件要求.
- 保持高分类准确度,为强大的可穿戴fNIRS应用铺平了道路.
关键词:
现场可编程门阵列 (FPGA)功能近红外光谱学 (fNIRS) 是一种低功率的低功率电源是什么机器学习是机器学习.运动工件检测 运动工件检测实时实时的时间.支持矢量机器 (SVMs) 的使用.更多相关视频
11:31Functional Near Infrared Spectroscopy of the Sensory and Motor Brain Regions with Simultaneous Kinematic and EMG Monitoring During Motor Tasks
Published on: December 5, 2014
15.2K
05:33How to Calculate and Validate Inter-brain Synchronization in a fNIRS Hyperscanning Study
Published on: September 8, 2021
6.6K
