Verwendung von künstlicher Intelligenz und BCI in EEG-Signalen für Bewegung

Diese Arbeit bringt einen Vorschlag, wie die Computer-Hirn-Schnittstelle in Zukunft genutzt werden kann, um die Lebensqualität von Menschen zu verbessern, die einen Bewegungsverlust ihrer Gliedmaßen oder Amputationen erlitten haben - ein Problem, das heute etwa 1,6 Millionen Menschen in den USA erreicht und den Versicherern jährliche Kosten von über 12 Milliarden Dollar verursacht. Wir verwenden EEG-Wellen, die von einer öffentlichen und umfangreichen Datenbank zur Verfügung gestellt werden, wir verwenden Filtermechanismen, um bestimmte Frequenzen dieser Daten zu erfassen, um zu versuchen, die Absicht der Bewegung mit Hilfe von maschinellen Lernwerkzeugen vorherzusagen. Die Ergebnisse der Arbeiten zur Klassifikation der Bewegungen waren durchschnittlich, aber sie führen uns zu einem Horizont, in dem es mit Hilfe von zuverlässigeren Daten und besseren Algorithmen möglich ist, die Bewegungen mit einer hohen Wahrscheinlichkeit sicher zu klassifizieren. Mit der Auswahl von Personen mit ähnlicheren Merkmalen und dem Einsatz von neuronalen Netzen, wie z.B. den wiederkehrenden, besteht eine große Erfolgschance, da es sich um eine stärker standardisierte Studie handeln würde, die mit moderneren Instrumenten und objektiv geführt würde.

Autorentext

Medical student, Computer Engineering student, Computer Neuroscience course at the University of Washington, Machine Learning course by Andrew Ng, Deep Learning course by Andrew Ng, NLP course by Lazy Programmer, Deep Learning A-Z with Jones Granatyr, Artificial Intelligence: Recommender Systems with Jones Granatyr.