Motor Imagery Teleoperation of a Mobile Robot Using a Low-Cost Brain-Computer Interface for Multi-Day Validation

要約

ブレイン コンピューター インターフェイス (BCI) は、義肢、支援技術 (車椅子)、ロボット工学、およびヒューマン コンピューター インターフェイスにおいて革新的な制御を提供する可能性を秘めています。
Motor Imagery (MI) は BCI 制御への直感的なアプローチを提供しますが、その実際の実装は高価なデバイス、広範なトレーニング データ、複雑なアルゴリズムの要件によって制限されることが多く、ユーザーの疲労やアクセシビリティの低下につながります。
この論文では、スライディング ウィンドウを備えた微調整されたディープ ニューラル ネットワーク (DNN) を使用して、現実世界の設定における移動ロボットの効果的な MI-BCI 制御を実現できることを実証します。これにより、現実世界の複雑な特徴抽出が不要になります。
タイムロボット制御。
微調整プロセスにより、DNN の畳み込み層とアテンション層が各ユーザーの毎日の MI データ ストリームに適応するように最適化され、トレーニング データが 70% 削減され、長期にわたるデータ収集によるユーザーの疲労が最小限に抑えられます。
低コスト (約 3,000 ドル)、16 チャンネル、非侵襲的、オープンソースの脳波 (EEG) デバイスを使用して、4 人のユーザーが 3 日間にわたって四足ロボットを遠隔操作しました。
このシステムは、1 日の検証データセットで 78% の精度を達成し、日々の大規模な再トレーニングを行わなくても 3 日間にわたって 75% の検証精度を維持しました。
現実世界のロボット コマンド分類では、平均 62% の精度を達成しました。
MI-BCI システムが DNN へのトレーニング データを削減し、低コストの EEG デバイスを使用して数日間にわたってパフォーマンスを維持できるという経験的証拠を提供することで、私たちの研究は BCI テクノロジーの実用性とアクセシビリティを強化します。
この進歩により、特にロボット システムの制御において、BCI アプリケーションが現実世界のシナリオでより実現可能になります。

要約(オリジナル)

Brain-computer interfaces (BCI) have the potential to provide transformative control in prosthetics, assistive technologies (wheelchairs), robotics, and human-computer interfaces. While Motor Imagery (MI) offers an intuitive approach to BCI control, its practical implementation is often limited by the requirement for expensive devices, extensive training data, and complex algorithms, leading to user fatigue and reduced accessibility. In this paper, we demonstrate that effective MI-BCI control of a mobile robot in real-world settings can be achieved using a fine-tuned Deep Neural Network (DNN) with a sliding window, eliminating the need for complex feature extractions for real-time robot control. The fine-tuning process optimizes the convolutional and attention layers of the DNN to adapt to each user’s daily MI data streams, reducing training data by 70% and minimizing user fatigue from extended data collection. Using a low-cost (~$3k), 16-channel, non-invasive, open-source electroencephalogram (EEG) device, four users teleoperated a quadruped robot over three days. The system achieved 78% accuracy on a single-day validation dataset and maintained a 75% validation accuracy over three days without extensive retraining from day-to-day. For real-world robot command classification, we achieved an average of 62% accuracy. By providing empirical evidence that MI-BCI systems can maintain performance over multiple days with reduced training data to DNN and a low-cost EEG device, our work enhances the practicality and accessibility of BCI technology. This advancement makes BCI applications more feasible for real-world scenarios, particularly in controlling robotic systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google