一个低延迟的神经推理框架,用于从边缘设备上的EEG信号中实时识别手写

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
• 机器学习 机器学习

背景情况:

• 大脑计算机接口 (BCI) 旨在恢复严重损伤的个体的沟通.
• 侵入性BCI (例如ECoG) 提供高精度,但具有临床风险.
• 非侵入性BCI (例如EEG) 更安全,但由于信号质量和分辨率低而受到限制.

研究的目的:

• 开发一种实时,低延迟,高精度的系统,用非侵入性EEG解码想象的手写.
• 通过先进的机器学习和特征提取来克服EEG的限制.
• 在便携式边缘设备上启用BCI功能.

主要方法:

• 收集了来自15名参与者想象手写的32通道EEG数据.
• 预处理的EEG信号使用带宽过和工件子空间重建 (ASR).
• 提取了85个时间,频率和图形特征,然后使用皮尔森相关性选择了关键特征.
• 在NVIDIA Jetson TX2边缘设备上开发和部署了一个混合时空卷积网络 (TCN) 和多层感知器 (MLP) 模型 (EEdGeNet).

主要成果:

• 使用85个特征实现了高解码精度 ([公式:参见文本]) ,每个字符的推理延迟为914.18毫秒.
• 通过仅选择十个关键特征,以最小的准确性损失,将推理延迟降低到202.62ms (减少[公式:见文本]).
• 在便携式边缘设备上演示实时,低延迟,高精度的想象式手写解码.

结论:

• 非侵入性EEG,加上高效的特征工程和机器学习,可以实现与侵入性方法相比的性能.
• 开发的EEdGeNet系统可以实现实用,便携式BCI用于通信恢复.
• 这种方法为低功耗边缘设备上可访问的BCI技术铺平了道路.