一个可穿戴的超低功率系统用于基于EEG的语音图像接口

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
• 计算机科学 计算机科学

背景情况:

• 语音图像,在精神上模拟无发音的语音,是大脑与计算机接口 (BCI) 的关键.
• 目前基于EEG的语音图像系统受到高通道数和资源密集型模型的限制,这阻碍了实际应用.
• 现有的系统需要外部计算平台,使它们不适合便携式使用.

研究的目的:

• 为了展示第一个端到端的基于EEG的语音图像解码在低频道,超低功耗的可穿戴设备上.
• 在BioGAP平台上开发和部署一个优化用于嵌入式语音图像分类的轻量级神经网络 (VowelNet).
• 实现实时,连续运行,耗电最小,适用于实际的BCI应用.

主要方法:

• 开发了一个扩展的语音图像解码框架,包括元音,命令和休息状态 (13类).
• 使用BioGAP平台与GAP9处理器进行嵌入式实时推理.
• 实施了特定学科的培训方法,并探索了持续学习技术.

主要成果:

• 在多类分类中取得了最先进的准确性 (一个科目高达50.0%,平均42.8%).
• 在BioGAP平台上部署了VowelNet模型,实现了最低功耗 (25.93 mW) 和连续运行超过21小时.
• 证明了分类延迟时间为40.9毫秒,并确定时间区域电极对准确性至关重要.

结论:

• 这项工作代表了对实用,实时和不引人注目的语音图像BCI的重大进步.
• 开发的系统为有语音障碍的人提供了秘密通信和辅助技术的新机会.
• 这些发现突显了超低功耗可穿戴设备和嵌入式机器学习在下一代BCI中的潜力.