ترجمه فارسی مقاله یک سیستم BMI پوشیدنی بسیار کم با قابلیت یادگیری مداوم

چکیده

Driven by the progress in efficient embedded processing, there is an accelerating trend toward running machine learning models directly on wearable Brain-Machine Interfaces (BMIs) to improve portability and privacy and maximize battery life. However, achieving low latency and high classification performance remains challenging due to the inherent variability of electroencephalographic (EEG) signals across sessions and the limited onboard resources. This work proposes a comprehensive BMI workflow based on a CNN-based Continual Learning (CL) framework, allowing the system to adapt to inter-session changes. The workflow is deployed on a wearable, parallel ultra-low power BMI platform (BioGAP). Our results based on two in-house datasets, Dataset A and Dataset B, show that the CL workflow improves average accuracy by up to 30.36% and 10.17%, respectively. Furthermore, when implementing the continual learning on a Parallel Ultra-Low Power (PULP) microcontroller (GAP9), it achieves an energy consumption as low as 0.45mJ per inference and an adaptation time of only 21.5ms, yielding around 25h of battery life with a small 100mAh, 3.7V battery on BioGAP. Our setup, coupled with the compact CNN model and on-device CL capabilities, meets users’ needs for improved privacy, reduced latency, and enhanced inter-session performance, offering good promise for smart embedded real-world BMIs.

چکیده به فارسی (ترجمه ماشینی)

با پیشرفت در پردازش تعبیه شده کارآمد ، یک روند شتاب دهنده به سمت اجرای مدل های یادگیری ماشین به طور مستقیم بر روی رابط های ماشین پوشیدنی مغز (BMI) برای بهبود قابلیت حمل و حریم خصوصی و به حداکثر رساندن عمر باتری وجود دارد.با این حال ، دستیابی به تأخیر کم و عملکرد طبقه بندی بالا به دلیل تغییرپذیری ذاتی سیگنال های الکتروانسفالوگرافی (EEG) در جلسات و منابع محدود پردازنده همچنان چالش برانگیز است.این کار یک گردش کار جامع BMI را بر اساس یک چارچوب یادگیری مداوم مبتنی بر CNN (CL) ارائه می دهد و به سیستم امکان می دهد تا با تغییرات بین جلسه سازگار شود.گردش کار بر روی یک پلت فرم BMI با قدرت فوق العاده کم پوشیدنی (Biogap) مستقر شده است.نتایج ما بر اساس دو مجموعه داده داخلی ، مجموعه داده A و مجموعه داده B ، نشان می دهد که گردش کار CL به ترتیب میانگین دقت را تا 30.36 ٪ و 10.17 ٪ بهبود می بخشد.علاوه بر این ، هنگام اجرای یادگیری مداوم بر روی یک میکروکنترلر قدرت فوق العاده کم (PULP) موازی (GAP9) ، به مصرف انرژی به حداقل 0.45mJ در هر استنتاج و زمان سازگاری تنها 21.5ms دست می یابد ، و حدود 25 ساعت از باتری را به همراه دارد.یک باتری 100 میلی آمپر ساعت ، 3.7 ولت در Biogap.راه اندازی ما ، همراه با مدل CNN جمع و جور و قابلیت های CL در دستگاه ، نیازهای کاربران را برای حفظ حریم خصوصی بهبود یافته ، کاهش تأخیر و عملکرد بین جلسات افزایش یافته ، ارائه می دهد و نوید خوبی را برای BMI های دنیای واقعی جاسازی شده ارائه می دهد.