Gebruik van kunstmatige intelligentie en BCI in EEG-signalen voor beweging

Dit werk brengt een voorstel van hoe de computer herseninterface in de toekomst kan worden gebruikt om de kwaliteit van leven te verbeteren mensen die hebben gehad verlies van beweging van hun ledematen of amputaties, een probleem dat ongeveer 1,6 miljoen mensen in de VS vandaag de dag bereikt, wat een jaarlijkse kosten voor de verzekeraars van meer dan 12 miljard dollar vertegenwoordigt. We gebruiken EEG-golven, die door een openbare en uitgebreide database worden geleverd, we gebruiken filtermechanismen om specifieke frequenties van deze gegevens te verkrijgen, om te proberen de intentie van de beweging te voorspellen met behulp van machinale leermiddelen. De resultaten van het werk met betrekking tot de classificatie van de bewegingen waren gemiddeld, maar ze leiden ons naar een horizon waar met behulp van meer betrouwbare gegevens en betere algoritmen het mogelijk is om de bewegingen met een hoge waarschijnlijkheid van zekerheid te classificeren. Met de selectie van mensen met meer vergelijkbare kenmerken en het gebruik van neurale netwerken, zoals de terugkerende, is er een grote kans op succes omdat het een meer gestandaardiseerde studie zou zijn, met modernere instrumenten en geleid door doelstelling.

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.