論文の概要: MindArm: Mechanized Intelligent Non-Invasive Neuro-Driven Prosthetic Arm System
- arxiv url: http://arxiv.org/abs/2403.19992v1
- Date: Fri, 29 Mar 2024 06:09:24 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-01 16:24:57.532210
- Title: MindArm: Mechanized Intelligent Non-Invasive Neuro-Driven Prosthetic Arm System
- Title（参考訳）: MindArm: 機械化されたインテリジェントな非侵襲型神経駆動義肢システム
- Authors: Maha Nawaz, Abdul Basit, Muhammad Shafique,
- Abstract要約: 我々は、インテリジェントな非侵襲的神経駆動義肢システムであるMindArmを提案する。
私たちのMindArmシステムでは、ディープニューラルネットワーク(DNN)エンジンを使用して、脳信号を義肢の動きに変換する。
私たちのMindArmシステムは、アイドル/静止時で91%、握手時で85%、ピックアップカップ時で84%という、肯定的な成功率を達成する。
- 参考スコア（独自算出の注目度）: 5.528262076322921
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Currently, people with disability or difficulty to move their arms (referred to as "patients") have very limited technological solutions to efficiently address their physiological limitations. It is mainly due to two reasons: (1) the non-invasive solutions like mind-controlled prosthetic devices are typically very costly and require expensive maintenance; and (2) other solutions require costly invasive brain surgery, which is high risk to perform, expensive, and difficult to maintain. Therefore, current technological solutions are not accessible for all patients with different financial backgrounds. Toward this, we propose a low-cost technological solution called MindArm, a mechanized intelligent non-invasive neuro-driven prosthetic arm system. Our MindArm system employs a deep neural network (DNN) engine to translate brain signals into the intended prosthetic arm motion, thereby helping patients to perform many activities despite their physiological limitations. Here, our MindArm system utilizes widely accessible and low-cost surface electroencephalogram (EEG) electrodes coupled with an Open Brain Computer Interface and UDP networking for acquiring brain signals and transmitting them to the compute module for signal processing. In the compute module, we run a trained DNN model to interpret normalized micro-voltage of the brain signals, and then translate them into a prosthetic arm action via serial communication seamlessly. The experimental results on a fully working prototype demonstrate that, from the three defined actions, our MindArm system achieves positive success rates, i.e., 91\% for idle/stationary, 85\% for shake hand, and 84\% for pick-up cup. This demonstrates that our MindArm provides a novel approach for an alternate low-cost mind-controlled prosthetic devices for all patients.
- Abstract（参考訳）: 現在、「患者」と呼ばれる)腕を動かすことの困難さや障害のある人は、生理的限界を効果的に解決するために非常に限られた技術的解決策を持っている。
主に2つの理由がある:(1)マインドコントロールされた人工装具のような非侵襲的なソリューションは一般的に非常にコストがかかり、高価なメンテナンスが必要であり、(2)他のソリューションは高価な侵襲的な脳外科を必要とする。
したがって、現在の技術的ソリューションは、異なる経済的背景を持つすべての患者にアクセスできない。
そこで我々は,インテリジェントな非侵襲的神経駆動義肢システムであるMindArmを提案する。
私たちのMindArmシステムでは、ディープニューラルネットワーク(DNN)エンジンを使用して、脳信号を意図した義肢の動きに変換することで、生理的制約にもかかわらず患者が多くの活動を行うのを助ける。
そこで、MindArmシステムでは、オープン脳コンピュータインタフェースとUDPネットワークと組み合わせて、広くアクセス可能で低コストな表面脳波(EEG)電極を使用して脳信号を取得し、それらを計算モジュールに送信し、信号処理を行う。
計算モジュールでは、トレーニングされたDNNモデルを実行して、正常化された脳信号のマイクロ電圧を解釈し、それらをシリアル通信を介して補綴アームアクションに変換する。
完全に動作するプロトタイプ実験の結果,MindArm システムは3つの動作から,アイドル/静止時の 91 %,握手時の 85 %,ピックアップカップ時の 84 % という肯定的な成功率を達成した。
このことは、MindArmが、すべての患者に対して、より低コストでマインドコントロールされた人工装具に新しいアプローチを提供することを示している。
関連論文リスト
- Digitizing Touch with an Artificial Multimodal Fingertip [51.7029315337739]
人間とロボットはどちらも、周囲の環境を知覚し、相互作用するためにタッチを使うことの恩恵を受ける。
ここでは、タッチのデジタル化を改善するための概念的および技術革新について述べる。
これらの進歩は、高度なセンシング機能を備えた人工指型センサーに具現化されている。
論文 参考訳（メタデータ） (2024-11-04T18:38:50Z) - 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) - NeRF in the Palm of Your Hand: Corrective Augmentation for Robotics via
Novel-View Synthesis [50.93065653283523]
SPARTN(Synthetic Perturbations for Augmenting Robot Trajectories via NeRF)は、ロボットポリシーを改善するための完全なオフラインデータ拡張スキームである。
提案手法はニューラルレイディアンス場(NeRF)を利用して,視覚的デモンストレーションに補正ノイズを合成注入する。
シミュレーションされた6-DoF視覚的把握ベンチマークでは、SPARTNは精度を2.8$times$で改善する。
論文 参考訳（メタデータ） (2023-01-18T23:25:27Z) - Robotic Navigation Autonomy for Subretinal Injection via Intelligent
Real-Time Virtual iOCT Volume Slicing [88.99939660183881]
網膜下注射のための自律型ロボットナビゲーションの枠組みを提案する。
提案手法は,機器のポーズ推定方法,ロボットとi OCTシステム間のオンライン登録,およびインジェクションターゲットへのナビゲーションに適した軌道計画から構成される。
ブタ前眼の精度と再現性について実験を行った。
論文 参考訳（メタデータ） (2023-01-17T21:41:21Z) - In the realm of hybrid Brain: Human Brain and AI [0.0]
現在の脳-コンピュータインターフェース(BCI)技術は主に治療結果に関するものである。
近年,脳信号のデコードには人工知能(AI)と機械学習(ML)技術が用いられている。
クローズドループ,インテリジェント,低消費電力,小型化されたニューラルインターフェースの開発を想定する。
論文 参考訳（メタデータ） (2022-10-04T08:35:34Z) - Active Predicting Coding: Brain-Inspired Reinforcement Learning for
Sparse Reward Robotic Control Problems [79.07468367923619]
ニューラルジェネレーティブ・コーディング(NGC)の神経認知計算フレームワークによるロボット制御へのバックプロパゲーションフリーアプローチを提案する。
我々は、スパース報酬から動的オンライン学習を容易にする強力な予測符号化/処理回路から完全に構築されたエージェントを設計する。
提案するActPCエージェントは,スパース(外部)報酬信号に対して良好に動作し,複数の強力なバックプロップベースのRLアプローチと競合し,性能が優れていることを示す。
論文 参考訳（メタデータ） (2022-09-19T16:49:32Z) - Artificial Intelligence Enables Real-Time and Intuitive Control of
Prostheses via Nerve Interface [25.870454492249863]
本物の手のように動き、感じる次世代の義手は、人間の心と機械の間の堅牢な神経の相互接続を必要とします。
本稿では,人工知能(AI)エージェントを用いて末梢神経インターフェースを介して切断者の運動意図を翻訳することにより,その原理を実証する神経補綴システムを提案する。
論文 参考訳（メタデータ） (2022-03-16T14:33:38Z) - A Portable, Self-Contained Neuroprosthetic Hand with Deep Learning-Based
Finger Control [18.09497225404653]
深層学習に基づく制御を組み込んだ神経補綴ハンドの実装について述べる。
ニューラルデコーダは、リカレントニューラルネットワーク(RNN)アーキテクチャに基づいて設計され、NVIDIA Jetson Nano上にデプロイされる。
これにより、個々の指の動きをリアルタイムに制御するポータブルで自己完結型ユニットとして、神経義手の実装が可能になる。
論文 参考訳（メタデータ） (2021-03-24T19:11:58Z) - Design of an Affordable Prosthetic Arm Equipped with Deep Learning
Vision-Based Manipulation [0.0]
この論文は、手頃な価格で簡単にアクセス可能な新しい義肢の設計プロセスの概要を概説する。
この3dプリント義手は、深度カメラとクローズドループのオフポリシー深層学習アルゴリズムを備えており、対象物に対する形状把握を支援する。
未確認のオブジェクトに対して78%の成功率を実現し、操作タスクのために複数のオブジェクトをまたいだ一般化を実現しました。
論文 参考訳（メタデータ） (2021-03-03T00:35:06Z) - OmniTact: A Multi-Directional High Resolution Touch Sensor [109.28703530853542]
既存の触覚センサーは、平らで、感度が小さいか、低解像度の信号のみを提供する。
我々は,多方向高解像度触覚センサOmniTactを紹介する。
我々は,ロボット制御の課題に対して,OmniTactの能力を評価する。
論文 参考訳（メタデータ） (2020-03-16T01:31:29Z) - DeepBrain: Towards Personalized EEG Interaction through Attentional and
Embedded LSTM Learning [20.300051894095173]
本稿では,低コストデバイスであるDeepBrainからの粗い脳波信号の組込み学習を通じて,脳-ロボット間相互作用(BRI)を実現するエンド・ツー・エンドのソリューションを提案する。
1)脳波信号の時間依存性とその分類を扱うための特定の前処理技術を備えた長期記憶(拡張LSTM)構造を提案する。
我々の実世界の実験は、低コストで提案されたエンドツーエンドのソリューションが、良好な実行速度、精度、エネルギー効率を実現することを実証している。
論文 参考訳（メタデータ） (2020-02-06T03:34:08Z)
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。