論文の概要: Device JNEEG to convert Jetson Nano to brain-Computer interfaces. Short
report
- arxiv url: http://arxiv.org/abs/2301.11110v1
- Date: Mon, 23 Jan 2023 11:46:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-27 13:45:13.481847
- Title: Device JNEEG to convert Jetson Nano to brain-Computer interfaces. Short
report
- Title(参考訳): Jetson Nanoを脳-コンピュータインターフェースに変換するデバイスJNEEG。
短い報告
- Authors: Ildar Rakhmatulin
- Abstract要約: 我々は、NvidiaのシングルボードコンピュータであるJetson Nanoを脳とコンピュータのインターフェースに変換するシールドを提案する。
Jetson Nanoの機能は、データ収集デバイス上で機械学習ツールを直接使用可能にする。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Artificial intelligence has made significant advances in recent years and
this has had an impact on the field of neuroscience. As a result, different
architectures have been implemented to extract features from EEG signals in
real time. However, the use of such architectures requires a lot of computing
power. As a result, EEG devices typically act only as transmitters of EEG data,
with the actual data processing taking place in a third-party device. That's
expensive and not compact. In this paper, we present a shield that allows a
single-board computer, the Jetson Nano from Nvidia, to be converted into a
brain-computer interface and, most importantly, the Jetson Nano's capabilities
allow machine learning tools to be used directly on the data collection device.
Here we present the test results of the developed device.
https://github.com/HackerBCI/EEG-with-JetsonNano
- Abstract(参考訳): 近年、人工知能は大きな進歩を遂げており、神経科学の分野にも影響を与えた。
その結果,脳波信号から特徴をリアルタイムで抽出するアーキテクチャが実装された。
しかし、そのようなアーキテクチャを使用するには多くの計算能力が必要である。
その結果、EEGデバイスは通常、EEGデータの送信機としてのみ動作し、実際のデータ処理はサードパーティデバイスで実行される。
それは高価でコンパクトではありません。
本稿では,シングルボードコンピュータであるnvidiaのjetson nanoをブレイン・コンピュータ・インタフェースに変換するためのシールドを提案する。
本稿では,開発装置の試験結果について述べる。
https://github.com/HackerBCI/EEG-with-JetsonNano
関連論文リスト
- Prototype of deployment of Federated Learning with IoT devices [0.0]
要求される大量のリソース、データ、データは、モバイルデバイス、センサー、その他のIoTデバイスに格納される。
同時に、これらのデバイスは優れたモデルをトレーニングするのに十分なデータや計算能力を持っていない。
フェデレートラーニング(FL)は、デバイスが協調的に学習できる革新的なソリューションを提供する。
論文 参考訳(メタデータ) (2023-11-24T10:37:30Z) - U-TOE: Universal TinyML On-board Evaluation Toolkit for Low-Power IoT [3.981958767941474]
U-TOEはIoTデザイナと研究者の作業を容易にするために設計されたユニバーサルツールキットである。
我々は,U-TOEのオープンソース実装を提供し,様々なモデルの性能を実験的に評価するためにその利用を実証する。
論文 参考訳(メタデータ) (2023-06-26T10:35:31Z) - Low-cost Efficient Wireless Intelligent Sensor (LEWIS) for Engineering,
Research, and Education [72.2614468437919]
センサによって決定を下すスマートシティのビジョンは、これまで実現されていない。
土木技術者はセンサー技術に関する知識を欠いている。
センサーに関連する電気部品とコンピュータの知識は、土木技術者にとって依然として課題である。
論文 参考訳(メタデータ) (2023-03-23T21:49:26Z) - Deep Neural Network Architecture Search for Accurate Visual Pose
Estimation aboard Nano-UAVs [69.19616451596342]
小型無人航空機(UAV)は、新興かつトレンドのトピックである。
我々は、新しいニューラルネットワーク探索(NAS)技術を活用し、視覚的ポーズ推定タスクのために複数の畳み込みニューラルネットワーク(CNN)を自動的に識別する。
その結果,10Hz@10mWおよび50Hz@90mWの実時間オンボード推算速度を達成しつつ,フィールド内制御誤差を32%低減し,現状を改善できた。
論文 参考訳(メタデータ) (2023-03-03T14:02:09Z) - Braille Letter Reading: A Benchmark for Spatio-Temporal Pattern
Recognition on Neuromorphic Hardware [50.380319968947035]
近年の深層学習手法は,そのようなタスクにおいて精度が向上しているが,従来の組込みソリューションへの実装は依然として計算量が非常に高く,エネルギーコストも高い。
文字読み込みによるエッジにおける触覚パターン認識のための新しいベンチマークを提案する。
フィードフォワードとリカレントスパイキングニューラルネットワーク(SNN)を、サロゲート勾配の時間によるバックプロパゲーションを用いてオフラインでトレーニングし比較し、効率的な推論のためにIntel Loihimorphicチップにデプロイした。
LSTMは14%の精度で繰り返しSNNより優れており、Loihi上での繰り返しSNNは237倍のエネルギーである。
論文 参考訳(メタデータ) (2022-05-30T14:30:45Z) - Neuromorphic Artificial Intelligence Systems [58.1806704582023]
フォン・ノイマンアーキテクチャと古典的ニューラルネットワークに基づく現代のAIシステムは、脳と比較して多くの基本的な制限がある。
この記事では、そのような制限と、それらが緩和される方法について論じる。
これは、これらの制限が克服されている現在利用可能なニューロモーフィックAIプロジェクトの概要を示す。
論文 参考訳(メタデータ) (2022-05-25T20:16:05Z) - MAPLE-X: Latency Prediction with Explicit Microprocessor Prior Knowledge [87.41163540910854]
ディープニューラルネットワーク(DNN)レイテンシのキャラクタリゼーションは、時間を要するプロセスである。
ハードウェアデバイスの事前知識とDNNアーキテクチャのレイテンシを具体化し,MAPLEを拡張したMAPLE-Xを提案する。
論文 参考訳(メタデータ) (2022-05-25T11:08:20Z) - Brain-Computer-Interface controlled robot via RaspberryPi and PiEEG [0.0]
本稿では,脳波信号を読み取ることができるシングルボードコンピュータのRaspberry Piファミリ用オープンソースソフトウェアとシールドボードについて述べる。
脳波信号を読み、それらをフーリエ級数に分解する機構について記述し、点滅によるLEDと玩具ロボットの制御例を示した。
論文 参考訳(メタデータ) (2022-02-04T01:39:48Z) - FPGA-optimized Hardware acceleration for Spiking Neural Networks [69.49429223251178]
本研究は,画像認識タスクに適用したオフライントレーニングによるSNN用ハードウェアアクセラレータの開発について述べる。
この設計はXilinx Artix-7 FPGAをターゲットにしており、利用可能なハードウェアリソースの40%を合計で使用している。
分類時間を3桁に短縮し、ソフトウェアと比較すると精度にわずか4.5%の影響を与えている。
論文 参考訳(メタデータ) (2022-01-18T13:59:22Z) - DeepEdgeBench: Benchmarking Deep Neural Networks on Edge Devices [0.6021787236982659]
Inference time and power consumption of the four Systems on a Chip (SoCs): Asus Tinker Edge R, Raspberry Pi 4, Google Coral Dev Board, Nvidia Jetson Nano, and one microcontroller, Arduino Nano 33 BLE。
推論時間の少なさ、すなわちMobileNetV2の29.3%以下では、Jetson Nanoは他のデバイスよりも高速に動作している。
論文 参考訳(メタデータ) (2021-08-21T08:13:22Z) - The Portiloop: a deep learning-based open science tool for closed-loop
brain stimulation [5.711038509872248]
Portiloopはポータブルで低コストのデバイスで、神経科学のコミュニティが脳波を捉えることができる。
このシステムは、既存の脳波睡眠記録データベースを使用して、睡眠スピンドルをリアルタイムで検出し、刺激することができる。
Portiloopは、EEG内の他の神経イベントを検出し、刺激するために拡張することができる。
論文 参考訳(メタデータ) (2021-07-28T16:29:58Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。