論文の概要: EEG-based AI-BCI Wheelchair Advancement: A Brain-Computer Interfacing Wheelchair System Using Deep Learning Approach

• arxiv url: http://arxiv.org/abs/2410.09763v3
• Date: Sun, 12 Jan 2025 15:56:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-14 14:22:03.849637
• Title: EEG-based AI-BCI Wheelchair Advancement: A Brain-Computer Interfacing Wheelchair System Using Deep Learning Approach
• Title（参考訳）: EEGをベースとしたAI-BCIホイールチェアの進化:ディープラーニングアプローチを用いた脳-コンピュータインターフェース車椅子システム
• Authors: Biplov Paneru, Bishwash Paneru, Bipul Thapa, Khem Narayan Poudyal,
• Abstract要約: この研究は、人工知能(AI)を組み込んだBCI(Brain-Computer Interface)に基づく車椅子開発のための革新的戦略を提供する。 このデバイスは、脳波(EEG)データを使って車椅子のナビゲーションを模倣する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This study offers a revolutionary strategy to developing wheelchairs based on the Brain-Computer Interface (BCI) that incorporates Artificial Intelligence (AI) using a The device uses electroencephalogram (EEG) data to mimic wheelchair navigation. Five different models were trained on a pre-filtered dataset that was divided into fixed-length windows using a sliding window technique. Each window contained statistical measurements, FFT coefficients for different frequency bands, and a label identifying the activity carried out during that window that was taken from an open-source Kaggle repository. The XGBoost model outperformed the other models, CatBoost, GRU, SVC, and XGBoost, with an accuracy of 60%. The CatBoost model with a major difference between training and testing accuracy shows overfitting, and similarly, the best-performing model, with SVC, was implemented in a tkinter GUI. The wheelchair movement could be simulated in various directions, and a Raspberry Pi-powered wheelchair system for brain-computer interface is proposed here.
• Abstract（参考訳）: この研究は、脳-コンピュータインタフェース(BCI)に基づく車椅子の開発に革命的戦略を提供する。このデバイスは、脳波データを用いて車椅子のナビゲーションを模倣する。 5つの異なるモデルが事前にフィルタされたデータセットでトレーニングされ、スライディングウィンドウ技術を用いて固定長のウィンドウに分割された。 それぞれのウィンドウには、統計測定、異なる周波数帯域に対するFFT係数、オープンソースのKaggleリポジトリから取得したウィンドウ内で実行されたアクティビティを識別するラベルが含まれていた。 XGBoostモデルは他のモデル、CatBoost、GRU、SVC、XGBoostを60%の精度で上回りました。 トレーニングとテストの精度の大きな違いを持つCatBoostモデルは、オーバーフィットを示し、同様に、SVCによる最高のパフォーマンスモデルは、トキンタGUIで実装された。 車椅子の動きを様々な方向にシミュレートし, Raspberry Piを用いた脳-コンピュータインタフェースのための車椅子システムを提案する。

関連論文リスト

• Helpful DoggyBot: Open-World Object Fetching using Legged Robots and Vision-Language Models [63.89598561397856]
  室内環境における四足歩行操作のためのシステムを提案する。 オブジェクト操作にはフロントマウントのグリップを使用しており、アジャイルスキルにエゴセントリックな深さを使ってシミュレーションでトレーニングされた低レベルのコントローラである。 実世界のデータ収集やトレーニングを行なわずに、2つの目に見えない環境でシステムを評価する。
  論文  参考訳（メタデータ） (2024-09-30T20:58:38Z)
• Battle of the Backbones: A Large-Scale Comparison of Pretrained Models across Computer Vision Tasks [139.3768582233067]
  Battle of the Backbones (BoB)は、ニューラルネットワークベースのコンピュータビジョンシステムのためのベンチマークツールである。 視覚変換器(ViT)と自己教師型学習(SSL)がますます人気になっている。 同じアーキテクチャと同じようなサイズの事前トレーニングデータセット上でのアップルとアプリケーションの比較では、SSLバックボーンは極めて競争力があることが分かりました。
  論文  参考訳（メタデータ） (2023-10-30T18:23:58Z)
• Sequential Best-Arm Identification with Application to Brain-Computer Interface [34.87975833920409]
  脳コンピュータインタフェース(BCI)は、脳と外部デバイスまたはコンピュータシステムとの直接通信を可能にする技術である。 脳波(EEG)と事象関連電位(ERP)に基づくスペルシステム(ERP)は、物理キーボードを使わずに単語をスペルできるBCIの一種である。 本稿では,固定信頼度設定と固定予算設定の下での逐次トップ2トンプソンサンプリング(STTS)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-05-17T18:49:44Z)
• FastRLAP: A System for Learning High-Speed Driving via Deep RL and Autonomous Practicing [71.76084256567599]
  本稿では、自律型小型RCカーを強化学習(RL)を用いた視覚的観察から積極的に駆動するシステムを提案する。 我々のシステムであるFastRLAP (faster lap)は、人間の介入なしに、シミュレーションや専門家によるデモンストレーションを必要とせず、現実世界で自律的に訓練する。 結果として得られたポリシーは、タイミングブレーキや回転の加速度などの突発的な運転スキルを示し、ロボットの動きを妨げる領域を避け、トレーニングの途中で同様の1対1のインタフェースを使用して人間のドライバーのパフォーマンスにアプローチする。
  論文  参考訳（メタデータ） (2023-04-19T17:33:47Z)
• Hybrid Paradigm-based Brain-Computer Interface for Robotic Arm Control [0.9176056742068814]
  脳コンピュータインタフェース(BCI)は、脳信号を使って外部デバイスと実際の制御なしに通信する。 本稿では,ハイブリッドパラダイムによる脳波信号によるロボットアーム操作のための知識蒸留に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-14T08:13:10Z)
• FingerFlex: Inferring Finger Trajectories from ECoG signals [68.8204255655161]
  FingerFlexモデル(FingerFlex model)は、脳波(ECoG)データに対する指の動きの回帰に適応した畳み込みエンコーダ・デコーダアーキテクチャである。 実測軌道と予測軌道の相関係数が最大0.74であるBCIコンペティションIVデータセット4で最先端の性能が達成された。
  論文  参考訳（メタデータ） (2022-10-23T16:26:01Z)
• Toward smart composites: small-scale, untethered prediction and control for soft sensor/actuator systems [0.6465251961564604]
  組込みマイクロコントローラユニット(MCU)を用いたセンサ/アクチュエータシステムのモデル予測制御のためのアルゴリズムとツールについて述べる。 これらのMCUはセンサーやアクチュエータと組み合わせることで、自律的な動作が可能な新しいタイプのスマートコンポジットを可能にする。 オンラインNewton-Raphson最適化は制御入力を最適化する。
  論文  参考訳（メタデータ） (2022-05-22T22:19:09Z)
• Bayesian Optimization and Deep Learning forsteering wheel angle prediction [58.720142291102135]
  本研究の目的は,自動走行システムにおける操舵角度予測の精度の高いモデルを得ることである。 BOは限られた試行数で、BOST-LSTMと呼ばれるモデルを特定し、古典的なエンドツーエンド駆動モデルと比較して最も正確な結果を得た。
  論文  参考訳（メタデータ） (2021-10-22T15:25:14Z)
• 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)
• BeCAPTCHA-Mouse: Synthetic Mouse Trajectories and Improved Bot Detection [78.11535724645702]
  本稿では,マウスの神経運動モデルに基づくボット検出器BeCAPTCHA-Mouseを提案する。 BeCAPTCHA-Mouseは、1つのマウス軌道だけで、平均93%の精度で高実在性のボット軌道を検出することができる。
  論文  参考訳（メタデータ） (2020-05-02T17:40:49Z)
• Brain-based control of car infotainment [0.0]
  本稿では,自動車のインフォテインメントメニューを制御するために,イベント関連電位(ERP)をランダムな実験パラダイムで誘導する,BCI(Brain-Computer Interface)を提案する。 対象特定モデルは、ターゲット刺激と非ターゲット刺激に対する脳波応答を分類するために、異なる機械学習アプローチで訓練された。 実験室内トレーニングセットと車内トレーニングセットのCAと,これらの条件における脳波反応の統計的差異は認められなかった。
  論文  参考訳（メタデータ） (2020-04-24T20:32:05Z)

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。