3D卷积神经网络的参数优化,用于干式EEG运动图像的大脑机器接口
Nobuaki Kobayashi1, Musashi Ino1
1Department of Precision Machinery Engineering, College of Science and Technology, Nihon University, Funabashi, Chiba, Japan.
Frontiers in neuroscience
|March 12, 2025
概括
这项研究引入了针对脑机界面 (BMI) 的优化3D CNN,使用脑电图 (EEG) 来提高运动图像 (MI) 分类准确性,并减少边缘计算的延迟. 该系统增强了对有限制的人的照顾,并通过减少工作量来支持照顾者.
科学领域:
- 生物医学工程 生物医学工程
- 神经科学是一个神经科学.
- 人工智能的人工智能
背景情况:
- 脑机界面 (BMI) 通过减轻行为限制和减少护理人员负担,为有护理需求的个人提供解决方案.
- 边缘计算为BMI增强数据隐私和系统无处不在性,但面临复杂的深度学习模型的硬件限制.
- 优化深度学习模型对于在资源有限的边缘设备上实施高效准确的BMI系统至关重要.
研究的目的:
- 开发适合边缘部署的大脑机器接口 (BMI) 的高精度,低延迟的运动图像 (MI) 分类系统.
- 优化深度学习模型和测量条件以最大限度地降低计算成本,功耗和响应延迟,同时保持分类准确性.
- 调查三维卷积神经网络 (3D CNN) 的有效性,以改进MI分类,并将其调整为干电极的实际使用.
主要方法:
- 实施了深度学习方法,重点是使用电脑图像 (EEG) 数据对运动图像 (MI) 进行分类.
- 优化了深度学习模型参数,包括内核大小,数量和层结构,以及MI测量条件.
- 利用3D卷积神经网络 (3D CNN) 并调整模型以使用干电极,优化更少的电极,减少回忆时间和更低的采样率.
主要成果:
- 拟议的3D CNN模型实现了MI的高分类精度,降低了计算成本,功耗和延迟,适合边缘处理.
- 与EEGNet相比,3D CNN显示了参数 (75.9%),乘积积累 (16.3%) 和内存足迹 (12.5%) 的显著减少.
- 该系统在实际条件下保持了分类准确性,包括八个电极,3.5秒的采样窗口和125Hz的采样率.
结论:
- 优化的3D CNN为基于边缘的BMI系统提供了有效的解决方案,提高了运动图像分类的准确性和效率.
- 这种方法可以显著提高需要护理的人的生活质量,并减少护理人员的工作负担.
- 开发的BMI系统展示了护理护理环境中辅助技术的实用和保护隐私的方法.
