在便携式硬件设备上进行手写字符识别的高速神经信号推理
概括
这项研究展示了第一个便携式脑计算机接口 (BCI) 用于手写识别. 轻量级模型在资源有限的设备上实现了99.17%的准确性,使通信障碍的神经解码更快.
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
- 生物医学工程 生物医学工程
背景情况:
- 大脑-计算机接口 (BCI) 为严重运动和沟通障碍的人提供了潜力.
- 神经信号处理能够识别活动,包括手写,用于辅助技术.
研究的目的:
- 在便携式硬件设备上实现第一个神经信号推断,用于手写字符识别.
- 在资源有限的平台上评估轻量级机器学习模型的效率和准确性.
主要方法:
- 利用公开可用的神经信号数据集,将其处理成神经尖端事件数据.
- 应用EfficientNetB0与数据增强 (随机噪声注入,时间转移) 进行31个手写字符的分类.
- 在NVIDIA Jetson TX2便携式硬件设备上推断神经信号.
主要成果:
- 在手写字符识别中达到99.17%的测试准确率.
- 证明了高速推断,文字错误率 (WER) 为0.96%和字符错误率 (CER) 为0.2%.
- 在Jetson TX2.2.上实现了37.5毫秒的字符解码延迟.
结论:
- 验证了在便携式边缘硬件上准确,高速的神经解码的可行性.
- 突出了轻量级机器学习模型在推进BCI应用中的影响.
- 展示了BCI在帮助有沟通障碍的个人方面的潜力.
