論文の概要: EEG-based AI-BCI Wheelchair Advancement: Hybrid Deep Learning with Motor Imagery for Brain Computer Interface

• arxiv url: http://arxiv.org/abs/2509.25667v1
• Date: Tue, 30 Sep 2025 02:06:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 17:09:04.391392
• Title: EEG-based AI-BCI Wheelchair Advancement: Hybrid Deep Learning with Motor Imagery for Brain Computer Interface
• Title（参考訳）: EEGベースのAI-BCIホイールチェアの進化:脳コンピュータインタフェースのための運動画像を用いたハイブリッドディープラーニング
• Authors: Bipul Thapa, Biplov Paneru, Bishwash Paneru, Khem Narayan Poudyal,
• Abstract要約: このシステムは、運動画像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。 BiLSTM-BiGRUモデルは、様々な機械学習ベースラインモデルと比較すると、92.26%の優れたテスト精度を示している。
• 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 paper presents an Artificial Intelligence (AI) integrated novel approach to Brain-Computer Interface (BCI)-based wheelchair development, utilizing a motor imagery right-left-hand movement mechanism for control. The system is designed to simulate wheelchair navigation based on motor imagery 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 of 200Hz. The system integrates a Tkinter-based interface for simulating wheelchair movements, offering users a functional and intuitive control system. We propose a BiLSTM-BiGRU model that shows a superior test accuracy of 92.26% as compared with various machine learning baseline models, including XGBoost, EEGNet, and a transformer-based model. The Bi-LSTM-BiGRU attention-based model achieved a mean accuracy of 90.13% 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)を用いた車いす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、運動画像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200Hzのサンプリング周波数で取得された。 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。 本稿では,XGBoost,EEGNet,トランスフォーマーベースモデルなどの機械学習ベースラインモデルと比較して,テスト精度92.26%のBiLSTM-BiGRUモデルを提案する。 Bi-LSTM-BiGRU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90.13%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

• Neural-Driven Image Editing [51.11173675034121]
  従来の画像編集は手動のプロンプトに依存しており、運動制御や言語能力に制限のある個人には労働集約的でアクセスできない。 神経生理学的信号によるハンズフリー画像編集手法であるLoongXを提案する。 LoongXは、23,928の画像編集ペアの包括的なデータセットに基づいてトレーニングされた最先端の拡散モデルを使用している。
  論文  参考訳（メタデータ） (2025-07-07T18:31:50Z)
• EEG-based AI-BCI Wheelchair Advancement: A Brain-Computer Interfacing Wheelchair System Using Deep Learning Approach [0.0]
  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。
  論文  参考訳（メタデータ） (2024-10-13T07:41:37Z)
• 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)
• 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)
• 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)
• 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。