論文の概要: EEG-based AI-BCI Wheelchair Advancement: A Brain-Computer Interfacing Wheelchair System Using Machine Learning Mechanism with Right and Left Voluntary Hand Movement

• arxiv url: http://arxiv.org/abs/2410.09763v2
• Date: Sat, 14 Dec 2024 14:31:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:49:19.236768
• Title: EEG-based AI-BCI Wheelchair Advancement: A Brain-Computer Interfacing Wheelchair System Using Machine Learning Mechanism with Right and Left Voluntary Hand Movement
• Title（参考訳）: 脳波をベースとしたAI-BCIホイールチェアの進化: 左右自家動作の機械学習機構を用いた脳-コンピュータ対面ホイールチェアシステム
• Authors: Biplov Paneru, Bishwash Paneru, Khem Narayan Poudyal,
• Abstract要約: このシステムは、自発的な左右の動きに基づいて車椅子のナビゲーションをシミュレートするように設計されている。 Support Vector Machines (SVM)、XGBoost、ランダムフォレスト、双方向長短期記憶(Bi-LSTM)アテンションベースモデルなど、さまざまな機械学習モデルを開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This paper presents an Artificial Intelligence (AI) integrated novel approach to Brain-Computer Interface (BCI)-based wheelchair development, utilizing a voluntary Right Left Hand Movement mechanism for control. The system is designed to simulate wheelchair navigation based on voluntary right and left-hand movements using electroencephalogram (EEG) data. A pre-filtered dataset, obtained from an open-source EEG repository, was segmented into arrays of 19x200 to capture the onset of hand movements. The data was acquired at a sampling frequency 200Hz in the laboratory experiment. The system integrates a Tkinter-based interface for simulating wheelchair movements, offering users a functional and intuitive control system. Various machine learning models, including Support Vector Machines (SVM), XGBoost, random forest, and a Bi-directional Long Short-Term Memory (Bi-LSTM) attention-based model, were developed. The random forest model obtained 79% accuracy. Great performance was seen on the Logistic Regression model which outperforms other models with 92% accuracy and 91% accuracy on the Multi-Layer Perceptron (MLP) model. The Bi-LSTM attention-based model achieved a mean accuracy of 86% through cross-validation, showcasing the potential of attention mechanisms in BCI applications.
• Abstract（参考訳）: 本稿では,脳-コンピュータインタフェース(BCI)を用いた車椅子開発における人工知能(AI)の統合的アプローチについて述べる。 このシステムは、脳波(EEG)データを用いて、随意の左右の動きに基づいて車椅子のナビゲーションをシミュレートするように設計されている。 オープンソースのEEGリポジトリから得られた事前フィルタリングデータセットは、手の動きの開始をキャプチャするために19x200の配列に分割された。 データは実験室実験でサンプリング周波数200Hzで取得された。 このシステムは、車椅子の動きをシミュレートするためのTkinterベースのインターフェースを統合し、ユーザーが機能的で直感的な制御システムを提供する。 Support Vector Machines (SVM)、XGBoost、ランダムフォレスト、双方向長短期記憶(Bi-LSTM)アテンションベースモデルなど、さまざまな機械学習モデルを開発した。 ランダム森林モデルでは79%の精度が得られた。 Logistic Regressionモデルでは、Multi-Layer Perceptron(MLP)モデルでは92%の精度と91%の精度で、他のモデルよりも優れたパフォーマンスが見られた。 Bi-LSTMアテンションベースモデルは,クロスバリデーションにより平均86%の精度を達成し,BCI応用におけるアテンションメカニズムの可能性を示した。

関連論文リスト

• Benchmarking Adaptive Intelligence and Computer Vision on Human-Robot Collaboration [0.0]
  ヒューマンロボットコラボレーション(HRC)は、センサー、デジタル双生児、協調ロボット(コボット)、意図認識モデルを用いて、効率的な製造プロセスを持つ産業4.0において不可欠である。 本稿では,適応知能と自己ラベルを統合して,HRCシステムにおける意図認識のレジリエンスを向上させることにより,概念の漂流に対処する。
  論文  参考訳（メタデータ） (2024-09-30T01:25:48Z)
• EEG Right & Left Voluntary Hand Movement-based Virtual Brain-Computer Interfacing Keyboard with Machine Learning and a Hybrid Bi-Directional LSTM-GRU Model [0.0]
  本研究は,脳波に基づくキーストローク検出のためのBMIに焦点を当てた。 キーストロークをシミュレートし予測するための信頼性の高い脳-コンピュータインタフェース(BCI)を開発することを目的としている。
  論文  参考訳（メタデータ） (2024-08-18T02:10:29Z)
• Enhancing Precision in Tactile Internet-Enabled Remote Robotic Surgery: Kalman Filter Approach [0.0]
  本稿では,計算効率の良い位置推定法としてカルマンフィルタ(KF)を提案する。 この研究は、ロボットアームシステムの力学系モデルに関する事前の知識も想定していない。 シミュレーションネットワーク条件下での患者側マニピュレータ(PSM)の位置決定におけるKFの有効性について検討した。
  論文  参考訳（メタデータ） (2024-06-06T20:56:53Z)
• Comparison of gait phase detection using traditional machine learning and deep learning techniques [3.11526333124308]
  本研究では,人間歩行のための低レベルEMGデータに基づく機械学習(ML)モデルを提案する。 その結果,従来のMLモデルでは75%,ディープラーニング(DL)モデルでは79%の精度が得られた。
  論文  参考訳（メタデータ） (2024-03-07T10:05:09Z)
• Robot Learning with Sensorimotor Pre-training [98.7755895548928]
  ロボット工学のための自己教師型感覚運動器事前学習手法を提案する。 我々のモデルはRTTと呼ばれ、センサモレータトークンのシーケンスで動作するトランスフォーマーである。 感覚運動の事前学習は、ゼロからトレーニングを一貫して上回り、優れたスケーリング特性を持ち、さまざまなタスク、環境、ロボット間での移動を可能にしている。
  論文  参考訳（メタデータ） (2023-06-16T17:58:10Z)
• Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
  我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。 学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
  論文  参考訳（メタデータ） (2022-09-07T15:15:12Z)
• ProcTHOR: Large-Scale Embodied AI Using Procedural Generation [55.485985317538194]
  ProcTHORは、Embodied AI環境の手続き的生成のためのフレームワークである。 ナビゲーション、アレンジメント、アーム操作のための6つの具体化されたAIベンチマークに対して、最先端の結果を実証する。
  論文  参考訳（メタデータ） (2022-06-14T17:09:35Z)
• Wheelchair automation by a hybrid BCI system using SSVEP and eye blinks [1.1099588962062936]
  プロトタイプは、定常的に視覚的に誘発される電位と眼の点滅の複合メカニズムに基づいている。 プロトタイプは、ユーザを不快にさせることなく、家庭環境で効率的に使用することができる。
  論文  参考訳（メタデータ） (2021-06-10T08:02:31Z)
• One to Many: Adaptive Instrument Segmentation via Meta Learning and Dynamic Online Adaptation in Robotic Surgical Video [71.43912903508765]
  MDALは、ロボット支援手術における機器セグメンテーションのための動的オンライン適応学習スキームです。 ビデオ固有のメタ学習パラダイムを通じて、楽器の一般的な知識と高速適応能力を学ぶ。 2つのデータセットで他の最先端のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2021-03-24T05:02:18Z)
• Domain Adaptive Robotic Gesture Recognition with Unsupervised Kinematic-Visual Data Alignment [60.31418655784291]
  本稿では,マルチモダリティ知識,すなわちキネマティックデータとビジュアルデータを同時にシミュレータから実ロボットに伝達できる,教師なしドメイン適応フレームワークを提案する。 ビデオの時間的手がかりと、ジェスチャー認識に対するマルチモーダル固有の相関を用いて、トランスファー可能な機能を強化したドメインギャップを修復する。 その結果, 本手法は, ACCでは最大12.91%, F1scoreでは20.16%と, 実際のロボットではアノテーションを使わずに性能を回復する。
  論文  参考訳（メタデータ） (2021-03-06T09:10:03Z)
• A Driving Behavior Recognition Model with Bi-LSTM and Multi-Scale CNN [59.57221522897815]
  運転行動認識のための軌道情報に基づくニューラルネットワークモデルを提案する。 提案手法を公開BLVDデータセット上で評価し,満足な性能を実現する。
  論文  参考訳（メタデータ） (2021-03-01T06:47:29Z)

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。