在物联网环境中使用多主题转移学习来改进远程机动图像康复的深度学习分类,使用物联网环境中的多主题转移学习
Joharah Khabti1,2, Saad AlAhmadi1,2, Adel Soudani1,2
1College of Computer and Information Sciences (CCIS), King Saud University, Riyadh 11543, Saudi Arabia.
Sensors (Basel, Switzerland)
|January 8, 2025
概括
本研究介绍了一种多学科转移学习框架,用于使用脑计算机接口 (BCI) 进行远程运动图像 (MI) 训练. 该方法提高了物联网环境中的灵活康复的准确性和效率.
科学领域:
- 神经科学是一个神经科学.
- 计算机科学 计算机科学
- 康复工程 康复工程 康复工程
背景情况:
- 基于脑电图 (EEG) 的脑电脑接口 (BCI) 显示出通过运动成像 (MI) 任务进行运动康复的前景.
- 目前的MI培训需要身体参与,限制了康复的灵活性.
- 远程MI培训在准确的任务识别,计算和通信成本方面面临挑战,特别是在复杂的EEG数据和主题依赖的变化方面.
研究的目的:
- 为一个高效的运动影像训练框架提出一个多主题转移学习方法.
- 开发一个整合云/边缘计算的物联网架构,以提高系统效率和减少网络资源使用.
- 为了提高远程MI训练的准确性和效率,用于康复.
主要方法:
- 在一个具有云/边缘计算的物联网架构中实施了多主题转移学习方法.
- 在云中利用深度学习分类 (带有和没有道选择).
- 在边缘节点应用多主题转移学习分类,尝试各种转移学习策略.
主要成果:
- 拟议的框架显著提高了多学科和单学科转移学习分类的平均准确性.
- 三个主题的转移学习达到了高达79.77%的准确性 (没有道选择的FCNNA模型).
- 与非转移学习方法相比,转移学习的平均准确性提高了6.55% (两科) 和12.19% (单科).
结论:
- 开发的框架为远程运动图像康复提供了可行的解决方案.
- 它提供准确的运动图像任务识别,同时优化计算和通信资源的使用.
- 这种方法通过先进的BCI和物联网集成来促进灵活和高效的康复.
