論文の概要: On-device Learning of EEGNet-based Network For Wearable Motor Imagery Brain-Computer Interface
- arxiv url: http://arxiv.org/abs/2409.00083v1
- Date: Sun, 25 Aug 2024 08:23:51 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-08 15:21:17.460472
- Title: On-device Learning of EEGNet-based Network For Wearable Motor Imagery Brain-Computer Interface
- Title（参考訳）: ウェアラブルモータ画像脳-コンピュータインタフェースのための脳波ネットワークのオンデバイス学習
- Authors: Sizhen Bian, Pixi Kang, Julian Moosmann, Mengxi Liu, Pietro Bonazzi, Roman Rosipal, Michele Magno,
- Abstract要約: 本稿では,ウェアラブルモータ画像認識のための軽量で効率的なオンデバイス学習エンジンを実装した。
我々は,メモリフットプリントが15.6KByteのベースラインに対して,最大7.31%の顕著な精度向上を示した。
我々の調整されたアプローチは、オンライントレーニング中に1回の推論で14.9ms、0.76mJ、1回の推測で20us、0.83uJの推論時間を示す。
- 参考スコア（独自算出の注目度）: 2.1710886744493263
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Electroencephalogram (EEG)-based Brain-Computer Interfaces (BCIs) have garnered significant interest across various domains, including rehabilitation and robotics. Despite advancements in neural network-based EEG decoding, maintaining performance across diverse user populations remains challenging due to feature distribution drift. This paper presents an effective approach to address this challenge by implementing a lightweight and efficient on-device learning engine for wearable motor imagery recognition. The proposed approach, applied to the well-established EEGNet architecture, enables real-time and accurate adaptation to EEG signals from unregistered users. Leveraging the newly released low-power parallel RISC-V-based processor, GAP9 from Greeenwaves, and the Physionet EEG Motor Imagery dataset, we demonstrate a remarkable accuracy gain of up to 7.31\% with respect to the baseline with a memory footprint of 15.6 KByte. Furthermore, by optimizing the input stream, we achieve enhanced real-time performance without compromising inference accuracy. Our tailored approach exhibits inference time of 14.9 ms and 0.76 mJ per single inference and 20 us and 0.83 uJ per single update during online training. These findings highlight the feasibility of our method for edge EEG devices as well as other battery-powered wearable AI systems suffering from subject-dependant feature distribution drift.
- Abstract（参考訳）: 脳波(EEG)に基づく脳-コンピュータインタフェース(BCI)は、リハビリテーションやロボティクスなど、様々な領域で大きな関心を集めている。
ニューラルネットワークベースのEEGデコーディングの進歩にもかかわらず、多様なユーザ集団のパフォーマンスを維持することは、機能分散の漂流のため、依然として困難である。
本稿では,ウェアラブルモータ画像認識のための軽量で効率的なデバイス上での学習エンジンを実装することで,この問題に対処する効果的なアプローチを提案する。
提案手法は、確立されたEEGNetアーキテクチャに適用され、登録されていないユーザのEEG信号へのリアルタイムかつ正確な適応を可能にする。
新たにリリースされた低消費電力のRISC-Vベースのプロセッサ、GreeenwavesのGAP9、Phyloonet EEG Motor Imageryデータセットを活用し、メモリフットプリントが15.6KByteのベースラインに対して最大7.31\%の精度向上を示す。
さらに、入力ストリームを最適化することにより、推論精度を損なうことなく、リアルタイムのパフォーマンスを向上させる。
我々の調整されたアプローチは、オンライントレーニング中に1回の推論で14.9ms、0.76mJ、1回の推測で20us、0.83uJの推論時間を示す。
これらの結果から,エッジ脳波デバイスと他の電池駆動型ウェアラブルAIシステムが,主観的な特徴分布ドリフトに悩まされている可能性が示唆された。
関連論文リスト
- CARE Transformer: Mobile-Friendly Linear Visual Transformer via Decoupled Dual Interaction [77.8576094863446]
本稿では,新しいdetextbfCoupled dutextbfAl-interactive lineatextbfR atttextbfEntion (CARE) 機構を提案する。
まず,非対称な特徴分離戦略を提案し,非対称的に学習プロセスを局所帰納バイアスと長距離依存に分解する。
分離学習方式を採用し,特徴間の相補性を完全に活用することにより,高い効率性と精度を両立させることができる。
論文 参考訳（メタデータ） (2024-11-25T07:56:13Z) - EEG_RL-Net: Enhancing EEG MI Classification through Reinforcement Learning-Optimised Graph Neural Networks [7.9035081192335115]
本稿では、EEG_GLT-NetからトレーニングされたEEG GCNブロックを隣接行列密度13.39%で組み込んだEEG_GLT-Netフレームワークの強化であるEEG_RL-Netを提案する。
EEG_RL-Netモデルは例外的な分類性能を示し、25ミリ秒以内の20人の被験者の平均精度は96.40%である。
論文 参考訳（メタデータ） (2024-04-26T13:09:50Z) - RLEEGNet: Integrating Brain-Computer Interfaces with Adaptive AI for
Intuitive Responsiveness and High-Accuracy Motor Imagery Classification [0.0]
本稿では,Deep Q-Networks (DQN) を用いた強化学習を分類タスクに活用するフレームワークを提案する。
本稿では,OVR(One-Versus-The-Rest)方式で,マルチクラス運動画像(MI)分類のための前処理手法を提案する。
DQNと1D-CNN-LSTMアーキテクチャの統合は意思決定プロセスをリアルタイムで最適化する。
論文 参考訳（メタデータ） (2024-02-09T02:03:13Z) - Pruning random resistive memory for optimizing analogue AI [54.21621702814583]
AIモデルは、エネルギー消費と環境持続可能性に前例のない課題を提示する。
有望な解決策の1つは、アナログコンピューティングを再考することである。
ここでは、構造的塑性に着想を得たエッジプルーニングを用いたユニバーサルソリューション、ソフトウェア・ハードウエアの共設計について報告する。
論文 参考訳（メタデータ） (2023-11-13T08:59:01Z) - DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial
Attention Detection [49.196182908826565]
AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。
現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。
本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
論文 参考訳（メタデータ） (2023-09-07T13:43:46Z) - One-Shot Learning for Periocular Recognition: Exploring the Effect of
Domain Adaptation and Data Bias on Deep Representations [59.17685450892182]
広範に使用されているCNNモデルにおける深部表現の挙動をワンショット近視認識のための極端データ不足下で検討する。
我々は、バイオメトリックデータセットで訓練されたネットワークを数百万の画像で活用し、最先端の結果を改善した。
SIFTのような従来のアルゴリズムは、限られたデータでCNNより優れている。
論文 参考訳（メタデータ） (2023-07-11T09:10:16Z) - ETLP: Event-based Three-factor Local Plasticity for online learning with
neuromorphic hardware [105.54048699217668]
イベントベース3要素局所塑性(ETLP)の計算複雑性に明らかな優位性を有する精度の競争性能を示す。
また, 局所的可塑性を用いた場合, スパイキングニューロンの閾値適応, 繰り返しトポロジーは, 時間的構造が豊富な時間的パターンを学習するために必要であることを示した。
論文 参考訳（メタデータ） (2023-01-19T19:45:42Z) - Towards Fast Single-Trial Online ERP based Brain-Computer Interface
using dry EEG electrodes and neural networks: a pilot study [0.0]
畳み込みニューラルネットワークを用いた色付き逆顔刺激と分類の組み合わせを提案する。
2人の被験者が90%の正確なシンボル検出バーと60ビット/分以上の転送レートを通過して達成された高いオンライン精度は、アプローチの可能性を示している。
論文 参考訳（メタデータ） (2022-11-04T22:13:49Z) - EEG-BBNet: a Hybrid Framework for Brain Biometric using Graph
Connectivity [1.1498015270151059]
我々は、畳み込みニューラルネットワーク(CNN)とグラフ畳み込みニューラルネットワーク(GCNN)を統合するハイブリッドネットワークであるEEG-BBNetを提案する。
我々のモデルは、イベント関連電位(ERP)タスクにおけるすべてのベースラインを、セッション内データを用いて平均99.26%の正確な認識率で上回ります。
論文 参考訳（メタデータ） (2022-08-17T10:18:22Z) - EEG-Inception: An Accurate and Robust End-to-End Neural Network for
EEG-based Motor Imagery Classification [123.93460670568554]
本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。
提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
論文 参考訳（メタデータ） (2021-01-24T19:03:10Z) - Q-EEGNet: an Energy-Efficient 8-bit Quantized Parallel EEGNet
Implementation for Edge Motor-Imagery Brain--Machine Interfaces [16.381467082472515]
運動画像脳-機械インタフェース(MI-BMI)は、人間の脳と機械間の直接的かつアクセス可能なコミュニケーションをプロミットする。
脳波信号を分類するためのディープラーニングモデルが登場した。
これらのモデルは、メモリと計算要求のため、エッジデバイスの限界を超えることが多い。
論文 参考訳（メタデータ） (2020-04-24T12:29:03Z)
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。