实时边缘计算设计用于生理信号分析和分类
Ravi Suppiah1, Kim Noori1,2,3, Khalid Abidi1,2
1Electrical and Electronic Engineering, Newcastle University upon Tyne, NE1 7RU, United Kingdom.
Biomedical physics & engineering express
|May 23, 2024
概括
这项研究证明了使用ARM Cortex-M4处理器解码生理信号的高精度,例如电肌图 (EMG) 和电脑图 (EEG). 这项研究使便携式嵌入式解决方案用于诸如康复机器人和日常生活辅助等应用.
科学领域:
- 生物医学工程 生物医学工程
- 信号处理 信号处理
- 嵌入式系统 嵌入式系统
背景情况:
- 生理信号 (电肌图 - EMG,电脑图 - EEG) 为诸如康复机器人和设备控制等应用提供了至关重要的数据.
- 当前基于PC的信号分析是计算密集型的,阻碍了在便携式,资源受限的嵌入式系统上部署用于现实世界的使用,例如改善日常生活活动 (ADL).
研究的目的:
- 开发和验证一种嵌入式解决方案,用于在资源有限的微控制器上处理生理信号 (EMG和EEG).
- 在ARM Cortex-M4处理器上研究使用Cepstrum功能来实现高分类准确性,最小的输入功能.
主要方法:
- 算法设计,测试和验证在使用Python和Matlab的PC上进行.
- 开发的算法部署在基于ARM的Cortex-M4嵌入式处理器上.
- 为了分类,从EMG和EEG信号中提取了cepstrum的特征.
主要成果:
- 嵌入式解决方案在五个EMG类别中实现了95.34%的平均分类精度.
- 该系统显示了嵌入式板上的EEG信号的平均分类准确率为96.16%.
- 塞普斯特征提供了高分类准确性与最小的输入,适合嵌入式部署.
结论:
- 拟议的基于ARM Cortex-M4的嵌入式系统有效地以高精度处理生理信号 (EMG,EEG).
- 这项研究促进了便携和用户友好的康复机器人和辅助设备解决方案的开发.
- 使用Cepstrum特征被验证为一种有效的方法,用于嵌入式环境中准确的信号分类.
