CognitiveArm：使用具身机器学习实现基于EEG的实时脑机控制矢状臂
人机交互
2025-09-22 v1 人工智能
摘要
通过非侵入性脑机接口(BCI)控制矢状肢需要高级的EEG处理，包括预滤波、特征提取和动作预测，这些处理在边缘AI硬件上以实时方式完成。在资源受限的设备上实现这一点，在模型复杂度、计算效率和延迟之间进行权衡 presents挑战。我们提出CognitiveArm，一个在嵌入式AI硬件上实现的、由EEG驱动的脑控制矢状臂系统，能够在不牺牲准确性的前提下实现实时运行。该系统集成了BrainFlow，一个用于EEG数据采集和流式传输的开源库，以及针对精确脑信号分类优化的深度学习(DL)模型。通过演化搜索，我们通过超参数调优、优化器分析和窗口选择识别Pareto最优的DL配置，分别和集成配置中进行分析。我们应用模型压缩技术，如剪枝和量化，以针对嵌入式部署优化模型，在效率和准确性之间进行权衡。我们收集了一个EEG数据集并设计了一个注释管道，使脑信号能够被精确标记，以对应于特定预期动作，从而成为训练我们优化的DL模型的基础。CognitiveArm还支持语音命令，以实现无缝模式切换，使矢状臂的3自由度(DoF)能够被控制。该系统完全在嵌入式硬件上运行，确保低延迟和实时响应性。一个完整的原型系统，接口为OpenBCI UltraCortex Mark IV EEG头戴式设备，实现了对三个核心动作(左、右、空闲)的最高达90%的分类准确率。语音集成 enables对 everyday 任务(如握手、接杯)进行 multiplexed、variable 移动，增强了实际性能，展示了CognitiveArm在高级矢状臂控制方面的潜力。
引用
@article{arxiv.2508.07731,
title = {CognitiveArm: Enabling Real-Time EEG-Controlled Prosthetic Arm Using Embodied Machine Learning},
author = {Abdul Basit and Maha Nawaz and Saim Rehman and Muhammad Shafique},
journal= {arXiv preprint arXiv:2508.07731},
year = {2025}
}
备注
7 pages, 12 figures, Accepted to 62nd DAC 2025