通过迁移学习与可穿戴 EEG 技术提升脑机接口的性能、校准时间与效率
信号处理
2024-03-28 v2 系统与控制
系统与控制
摘要
脑机接口（BMIs）已成为辅助技术中的变革性力量，通过实现设备控制并促进功能恢复，赋能运动障碍个体。然而，跨时段变异性的持续挑战构成了重大障碍，每次新使用都需耗时的校准。更糟的是，当前设备的低舒适度进一步限制了其使用。为应对这些挑战，我们提出了一种综合方案，将基于微型 CNN 的迁移学习（TL）方法与舒适的可穿戴 EEG 头带相结合。该新型可穿戴 EEG 设备具有置于头带上的软干电极，并能够进行板载处理。我们采集了多时段运动想象 EEG 数据，利用 TL 实现了高达 96% 的跨时段准确率，大幅减少校准时间并提升可用性。通过在边缘每 100ms 执行推理，系统估计可实现 30 小时电池续航。具备微型 CNN 与 TL 的舒适 BMI 设置为未来设备上持续学习铺平了道路，而后者对解决跨时段变异性与提升可用性至关重要。
引用
@article{arxiv.2309.07798,
title = {Enhancing Performance, Calibration Time and Efficiency in Brain-Machine Interfaces through Transfer Learning and Wearable EEG Technology},
author = {Xiaying Wang and Lan Mei and Victor Kartsch and Andrea Cossettini and Luca Benini},
journal= {arXiv preprint arXiv:2309.07798},
year = {2024}
}