Resumen de la clasificación basada en EEG de actividades de imaginación motora utilizando métodos de aprendizaje automático y aceleración de inferencia con tarjetas basadas en FPGA
Autores: Majoros, Tamás; Oniga, Stefan
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Resumen de la clasificación basada en EEG de actividades de imaginación motora utilizando métodos de aprendizaje automático y aceleración de inferencia con tarjetas basadas en FPGA
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Resumen: clasificación basada en EEG de actividades de imaginación motora mediante métodos de aprendizaje automático y estructuras de redes neuronales.
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 32
Citaciones: Sin citaciones
En este artículo, proporcionamos una breve descripción de la clasificación basada en EEG de actividades de imaginación motora utilizando métodos de aprendizaje automático. Examinamos el efecto de la segmentación de datos y diferentes estructuras de redes neuronales. Al aplicar un tamaño de ventana adecuado y utilizar una red neuronal convolucional pura, logramos una precisión de reconocimiento del 97.7% en datos de veinte sujetos en tres clases. La arquitectura propuesta supera a varias redes utilizadas en investigaciones anteriores y hace que la BCI basada en la imaginación motora sea más eficiente en algunas aplicaciones. Además, examinamos el rendimiento de la red neuronal en una tarjeta basada en FPGA y la comparamos con la velocidad de inferencia y precisión proporcionadas por un procesador de propósito general.
Descripción
En este artículo, proporcionamos una breve descripción de la clasificación basada en EEG de actividades de imaginación motora utilizando métodos de aprendizaje automático. Examinamos el efecto de la segmentación de datos y diferentes estructuras de redes neuronales. Al aplicar un tamaño de ventana adecuado y utilizar una red neuronal convolucional pura, logramos una precisión de reconocimiento del 97.7% en datos de veinte sujetos en tres clases. La arquitectura propuesta supera a varias redes utilizadas en investigaciones anteriores y hace que la BCI basada en la imaginación motora sea más eficiente en algunas aplicaciones. Además, examinamos el rendimiento de la red neuronal en una tarjeta basada en FPGA y la comparamos con la velocidad de inferencia y precisión proporcionadas por un procesador de propósito general.