Conceptos Básicos
웨어러블 BMI 시스템의 성능을 향상시키기 위해 지속적 학습 기법을 적용하여 세션 간 변동성을 극복하고 정확도를 높였다.
Resumen
이 연구는 초저전력 웨어러블 BMI 시스템인 BioGAP을 활용하여 다중 세션 EEG 데이터에 대한 지속적 학습 기법을 제안하였다.
주요 내용은 다음과 같다:
BioGAP 기반의 웨어러블 BMI 시스템을 개발하고 5명의 피험자로부터 4개 세션의 EEG 데이터를 수집하였다.
전통적인 전이 학습 방식과 지속적 학습 방식(ER, LWF, EWC)을 비교 분석하였다.
지속적 학습 방식, 특히 ER(버퍼 크기 200)이 전이 학습 대비 최대 30.36%의 정확도 향상을 보였다.
GAP9 MCU에 구현한 온디바이스 학습 결과, 21.6ms의 낮은 지연시간과 25시간의 배터리 수명을 달성하였다.
제안 방식은 사용자 프라이버시 보호, 낮은 지연시간, 향상된 세션 간 성능을 제공하여 실제 BMI 응용에 적합할 것으로 기대된다.
Estadísticas
제안 방식은 전이 학습 대비 최대 30.36%의 정확도 향상을 보였다.
GAP9 MCU에 구현 시 21.6ms의 낮은 지연시간과 25시간의 배터리 수명을 달성하였다.
Citas
"웨어러블 BMI 시스템의 성능을 향상시키기 위해 지속적 학습 기법을 적용하여 세션 간 변동성을 극복하고 정확도를 높였다."
"제안 방식은 사용자 프라이버시 보호, 낮은 지연시간, 향상된 세션 간 성능을 제공하여 실제 BMI 응용에 적합할 것으로 기대된다."