机构名称：
¥ 1.0
摘要 — 运动想象 (MI) 脑机接口 (BMI) 使我们只需想象执行运动动作即可控制机器。实际用例需要一种可穿戴解决方案，其中使用嵌入在节能微控制器单元 (MCU) 上的机器学习模型在传感器附近本地对脑信号进行分类，以确保隐私、用户舒适度和长期使用。在这项工作中，我们为嵌入式 BMI 解决方案的准确性与成本权衡提供了实用见解。我们的多光谱黎曼分类器在 4 类 MI 任务上达到 75.1% 的准确率。通过针对每个受试者调整不同类型的分类器，准确率进一步提高，达到 76.4%。我们进一步缩小模型，将其量化为混合精度表示，准确率损失分别仅为 1% 和 1.4%，但仍比最先进的嵌入式卷积神经网络高出 4.1%。我们在低功耗 MCU 上实现了该模型，能量预算仅为 198 µ J，每次分类仅需 16.9 毫秒。连续对样本进行分类，将 3.5 秒样本重叠 50% 以避免遗漏用户输入，这样仅需 85 µ W 即可运行。与嵌入式 MI-BMI 中的相关工作相比，我们的解决方案在近传感器分类的准确度-能量权衡方面树立了新的领先地位。
Alma Mater Studiorum 博洛尼亚大学档案馆......
主要关键词
相关文件推荐
