基于ROS-Neuro的深度卷积自编码器集成用于实时脑机接口中的脑电信号压缩
机器学习
2020-09-01 v1 信号处理
机器学习
摘要
典型的基于EEG的BCI应用需要以高效方式对含噪EEG通道进行复杂函数的计算。深度学习算法能够直接从数据中学习灵活的非线性函数，其恒定的处理延迟非常适合部署到在线BCI系统中。然而，处理系统的抖动必须尽可能低，以避免不可预测的行为破坏系统的整体可用性。本文提出了一种基于深度卷积自编码器的新型编码方法，能够对原始EEG输入进行高效压缩。我们将模型部署在ROS-Neuro节点中，使其适用于现实场景中基于ROS的BCI和机器人系统的集成。实验结果表明，我们的系统能够生成有意义的压缩编码，保留原始输入中包含的信息。同时，ROS-Neuro节点能够以稳定的速率产生这些编码，且抖动极小。我们相信，我们的系统可以朝着在ROS-Neuro框架中完全标准化的有效BCI处理流水线迈出重要一步。
引用
@article{arxiv.2008.13485,
title = {ROS-Neuro Integration of Deep Convolutional Autoencoders for EEG Signal Compression in Real-time BCIs},
author = {Andrea Valenti and Michele Barsotti and Raffaello Brondi and Davide Bacciu and Luca Ascari},
journal= {arXiv preprint arXiv:2008.13485},
year = {2020}
}
备注
Accepted at the IEEE International Conference on Systems, Man, and Cybernetics (SMC 2020)