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 21:19:24.750556
- 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: http://creativecommons.org/licenses/by/4.0/
- 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) - 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) - 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) - 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) - 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) - 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) - 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) - 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) - 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。