ترجمه فارسی مقاله EEGMobile: افزایش سرعت و دقت در پیش‌بینی نگاه مبتنی بر EEG با معماری‌های پیشرفته موبایل

چکیده

Electroencephalography (EEG) analysis is an important domain in the realm of Brain-Computer Interface (BCI) research. To ensure BCI devices are capable of providing practical applications in the real world, brain signal processing techniques must be fast, accurate, and resource-conscious to deliver low-latency neural analytics. This study presents a model that leverages a pre-trained MobileViT alongside Knowledge Distillation (KD) for EEG regression tasks. Our results showcase that this model is capable of performing at a level comparable (only 3% lower) to the previous State-Of-The-Art (SOTA) on the EEGEyeNet Absolute Position Task while being 33% faster and 60% smaller. Our research presents a cost-effective model applicable to resource-constrained devices and contributes to expanding future research on lightweight, mobile-friendly models for EEG regression.

چکیده به فارسی (ترجمه ماشینی)

تجزیه و تحلیل الکتروانسفالوگرافی (EEG) یک دامنه مهم در حوزه تحقیقات رابط مغز و رایانه (BCI) است.برای اطمینان از اینکه دستگاه های BCI قادر به ارائه کاربردهای عملی در دنیای واقعی هستند ، تکنیک های پردازش سیگنال مغز باید سریع ، دقیق و آگاهانه از منابع برای ارائه تجزیه و تحلیل عصبی با تأخیر کم باشد.این مطالعه مدلی را ارائه می دهد که یک موبایل از پیش آموزش داده شده را در کنار تقطیر دانش (KD) برای کارهای رگرسیون EEG اعمال می کند.نتایج ما نشان می دهد که این مدل قادر است در یک سطح قابل مقایسه (تنها 3 ٪ پایین تر) با پیشرفته قبلی (SOTA) در کار موقعیت مطلق eegeyenet در حالی که 33 ٪ سریعتر و 60 ٪ کوچکتر است ، انجام دهد.تحقیقات ما یک مدل مقرون به صرفه را ارائه می دهد که برای دستگاه های محدود شده از منابع کاربرد دارد و به گسترش تحقیقات آینده در مورد مدلهای سبک و دوستانه برای رگرسیون EEG کمک می کند.