一个超低功耗可穿戴的BMI系统,具有持续学习能力

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 嵌入式系统 嵌入式系统

背景情况:

• 可穿戴的大脑机器接口 (BMIs) 越来越多地利用嵌入式处理来提高可移植性,隐私和电池寿命.
• 穿戴式BMI面临的挑战包括管理脑电图 (EEG) 信号变化和有限的机载资源,影响延迟和性能.

研究的目的:

• 开发和部署一个脑机界面 (BMI) 工作流程,结合基于卷积神经网络 (CNN) 的持续学习 (CL) 框架.
• 通过解决会话间的信号变化来实现可穿戴的BMI的适应性性能.

主要方法:

• 为适应性BMI操作开发了一个基于CNN的持续学习 (CL) 框架.
• 在一个可穿戴,平行超低功耗的BMI平台 (BioGAP) 上实施了CL工作流.
• 使用两个内部数据集 (数据集A和数据集B) 评估性能.

主要成果:

• 在CL工作流中,平均准确度显著提高,达到30.36% (数据集A) 和10.17% (数据集B).
• 在平行超低功率 (PULP) 微控制器 (GAP9) 上,该系统实现了低能耗 (0.45 mJ/推理) 和快速适应 (21.5 ms).
• 生物GAP平台提供大约25个小时的电池寿命与100mAh电池.

结论:

• 拟议的设备上CL框架提高了可穿戴BMI的会话间性能.
• 该系统成功地平衡了低延迟,高精度,隐私和延长电池寿命的实际应用.
• 这种方法对先进的,现实世界的嵌入式BMI系统具有显著的前景.