深度自动编码器用于实时单通道EEG清洁及其智能手机实现,使用TensorFlow Lite与硬件/软件加速

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 人工智能的人工智能

背景情况:

• 脑电图 (EEG) 信号质量往往会因来自眼睛,运动和肌肉活动的工件而降低.
• 实时文物删除对于便携式脑计算机接口 (BCI) 应用程序的开发至关重要.

研究的目的:

• 开发一种实时,低计算成本的上空方法,用于从EEG信号中去除工件.
• 通过在移动平台上高效,独立于频道的文物删除,实现便携式BCI应用程序.

主要方法:

• 一个深度自编码器 (DAE) 神经网络被提议用于单通道EEG人工物去除.
• 该DAE模型是在使用TensorFlow Lite的智能手机上实现的,具有基于代表的加速以实现实时性能.
• 通过比较DAE清洗的EEG与来自公共数据集的基础真实清洁的EEG来评估人工物清除的有效性.

主要成果:

• DAE模型与基本真实清洁的EEG (0.96用于重建,0.85用于EOG,0.70用于运动,0.79用于EMG文物) 实现了高相关性.
• 在智能手机上的测试表明,在5毫秒内,对4秒的EEG窗口进行实时处理.
• 在计算效率方面,DAE模型显著优于FastICA的文物删除算法.

结论:

• 拟议的DAE模型有效地从单通道EEG信号中删除了人工物.
• 这代表了使用智能手机硬件/软件加速移动EEG器件移除的低计算深度学习模型的首次演示.
• 这项工作促进了便携式BCI,允许低延迟,实时的文物删除和潜在的操作,使用更少的EEG通道.