摘要 - 与运动象征(MI)脑 - 机器间相(BMIS),我们可以通过仅考虑执行运动动作来控制机器。实用用例需要使用可穿戴的解决方案,其中使用嵌入能量高的微控制器单元(MCUS)的机器学习模型在传感器附近进行分类,以确保隐私,用户舒适性和长期使用。在这项工作中,我们提供了有关嵌入式BMI解决方案的准确性贸易的实用见解。我们提出的多光谱Riemannian分类器在4级MI任务上达到了75.1%的精度。我们通过将模型量化为混合精液表示,其精度损失最小为1%,进一步扩展了模型,该模型的精度最小为1%,比最先进的嵌入式卷积神经网络要准确3.2%。我们在低功率MCU上实现了该模型,并行处理单元仅需33.39毫秒,并且每个分类均消耗1.304 MJ。索引术语 - 脑 - 机器接口,边缘计算,par-allel计算,机器学习,深度学习,运动图像。
主要关键词