論文の概要: CognitiveArm: Enabling Real-Time EEG-Controlled Prosthetic Arm Using Embodied Machine Learning

• arxiv url: http://arxiv.org/abs/2508.07731v1
• Date: Mon, 11 Aug 2025 08:04:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:29.002873
• Title: CognitiveArm: Enabling Real-Time EEG-Controlled Prosthetic Arm Using Embodied Machine Learning
• Title（参考訳）: CognitiveArm: 身体学習を用いたリアルタイム脳波制御義肢の実現
• Authors: Abdul Basit, Maha Nawaz, Saim Rehman, Muhammad Shafique,
• Abstract要約: CognitiveArmは、組み込みAIハードウェア上に実装された脳波駆動の脳制御義肢システムである。 組み込みハードウェアで完全に動作するため、低レイテンシとリアルタイムの応答性が保証される。 OpenBCI UltraCortex Mark IV EEGヘッドセットとインターフェースされた本格的なプロトタイプは、3つのコアアクションの分類において最大90%の精度を達成した。
• 参考スコア（独自算出の注目度）: 5.060526885213379
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Efficient control of prosthetic limbs via non-invasive brain-computer interfaces (BCIs) requires advanced EEG processing, including pre-filtering, feature extraction, and action prediction, performed in real time on edge AI hardware. Achieving this on resource-constrained devices presents challenges in balancing model complexity, computational efficiency, and latency. We present CognitiveArm, an EEG-driven, brain-controlled prosthetic system implemented on embedded AI hardware, achieving real-time operation without compromising accuracy. The system integrates BrainFlow, an open-source library for EEG data acquisition and streaming, with optimized deep learning (DL) models for precise brain signal classification. Using evolutionary search, we identify Pareto-optimal DL configurations through hyperparameter tuning, optimizer analysis, and window selection, analyzed individually and in ensemble configurations. We apply model compression techniques such as pruning and quantization to optimize models for embedded deployment, balancing efficiency and accuracy. We collected an EEG dataset and designed an annotation pipeline enabling precise labeling of brain signals corresponding to specific intended actions, forming the basis for training our optimized DL models. CognitiveArm also supports voice commands for seamless mode switching, enabling control of the prosthetic arm's 3 degrees of freedom (DoF). Running entirely on embedded hardware, it ensures low latency and real-time responsiveness. A full-scale prototype, interfaced with the OpenBCI UltraCortex Mark IV EEG headset, achieved up to 90% accuracy in classifying three core actions (left, right, idle). Voice integration enables multiplexed, variable movement for everyday tasks (e.g., handshake, cup picking), enhancing real-world performance and demonstrating CognitiveArm's potential for advanced prosthetic control.
• Abstract（参考訳）: 非侵襲的脳-コンピュータインターフェース(BCI)による義肢の効率的な制御には、エッジAIハードウェア上でリアルタイムに実行される事前フィルタリング、特徴抽出、行動予測を含む高度な脳波処理が必要である。 リソース制約のあるデバイスでこれを達成することは、モデルの複雑さ、計算効率、レイテンシのバランスをとる上での課題である。 我々は,脳波を駆動する脳制御義肢システムであるCognitiveArmを組込みAIハードウェア上に実装し,精度を損なうことなくリアルタイム操作を実現する。 このシステムは、EEGデータ取得とストリーミングのためのオープンソースのライブラリであるBrainFlowと、正確な脳信号分類のための最適化されたディープラーニング(DL)モデルを統合する。 進化的探索を用いて,ハイパーパラメータチューニング,オプティマイザ解析,ウィンドウ選択によりパレート最適DL構成を同定し,個別およびアンサンブル構成を解析した。 本研究では, プルーニングや量子化などのモデル圧縮手法を適用し, 組込み配置のためのモデル最適化, 効率と精度のバランスをとる。 脳波データセットを収集し、特定の意図した行動に対応する脳信号の正確なラベル付けを可能にするアノテーションパイプラインを設計し、最適化されたDLモデルをトレーニングするための基盤を形成した。 CognitiveArmはまた、シームレスなモード切り替えのための音声コマンドをサポートし、義肢の自由度(DoF)の制御を可能にする。 組み込みハードウェアで完全に動作するため、低レイテンシとリアルタイムの応答性が保証される。 本格的なプロトタイプはOpenBCI UltraCortex Mark IV EEGヘッドセットで、最大90%の精度で3つのコアアクション(左、右、アイドル)を分類した。 音声統合により、日常的なタスク(例えば、ハンドシェイク、カップピッキング)に対する多重化、可変移動を可能にし、現実世界のパフォーマンスを高め、高度な義肢制御に対するCognitiveArmの可能性を示す。

関連論文リスト

• BRAVE: Brain-Controlled Prosthetic Arm with Voice Integration and Embodied Learning for Enhanced Mobility [5.528262076322921]
  BRAVEは、ハイブリッド脳波と音声制御義肢システムである。 脳波駆動運動の意図を解釈することを目的としており、残筋活動に依存することなく運動制御を可能にする。 システムはリアルタイムで動作し、応答遅延は150msである。
  論文  参考訳（メタデータ） (2025-05-23T11:44:33Z)
• BrainOmni: A Brain Foundation Model for Unified EEG and MEG Signals [50.76802709706976]
  異種脳波とMEG記録を対象とする脳基礎モデルBrain Omniを提案する。 多様なデータソースを統一するために、脳の活動を離散表現に定量化する最初のトークンであるBrainTokenizerを紹介します。 EEGの合計1,997時間、MEGデータの656時間は、事前トレーニングのために公開されているソースからキュレーションされ、標準化されている。
  論文  参考訳（メタデータ） (2025-05-18T14:07:14Z)
• CEReBrO: Compact Encoder for Representations of Brain Oscillations Using Efficient Alternating Attention [53.539020807256904]
  交互注意(CEReBrO)を用いた脳振動の表現のための圧縮法について紹介する。 トークン化方式は、チャネルごとのパッチで脳波信号を表現します。 本研究では,チャネル内時間的ダイナミックスとチャネル間空間的相関を共同でモデル化し,通常の自己アテンションに比べて6倍少ないメモリで2倍の速度向上を実現するための注意機構を提案する。
  論文  参考訳（メタデータ） (2025-01-18T21:44:38Z)
• Recording Brain Activity While Listening to Music Using Wearable EEG Devices Combined with Bidirectional Long Short-Term Memory Networks [1.5570182378422728]
  本研究は、音楽を聴きながら脳波信号を効率的に記録・分析することの課題に対処することを目的とする。 脳波信号処理のためのBi-LSTMネットワークとアテンション機構を組み合わせた手法を提案する。 Bi-LSTM-AttGWモデルは、SEEDデータセットで98.28%、DEAデータセットで92.46%の精度を達成した。
  論文  参考訳（メタデータ） (2024-08-22T04:32:22Z)
• EEG Right & Left Voluntary Hand Movement-based Virtual Brain-Computer Interfacing Keyboard Using Hybrid Deep Learning Approach [0.0]
  我々は,任意のキーストロークを正確に識別できる脳波ベースのBMIシステムを開発した。 提案手法は,脳波信号の解釈モデルとして,BiGRU-Attentionを用いたハイブリッドニューラルネットワークアーキテクチャを用いる。
  論文  参考訳（メタデータ） (2024-08-18T02:10:29Z)
• 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)
• FPGA-optimized Hardware acceleration for Spiking Neural Networks [69.49429223251178]
  本研究は,画像認識タスクに適用したオフライントレーニングによるSNN用ハードウェアアクセラレータの開発について述べる。 この設計はXilinx Artix-7 FPGAをターゲットにしており、利用可能なハードウェアリソースの40%を合計で使用している。 分類時間を3桁に短縮し、ソフトウェアと比較すると精度にわずか4.5%の影響を与えている。
  論文  参考訳（メタデータ） (2022-01-18T13:59:22Z)
• 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。