인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
개인구독
소속 기관이 없으신 경우, 개인 정기구독을 하시면 저렴하게
논문을 무제한 열람 이용할 수 있어요.
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
피인용 0
초록·키워드
Severely paralyzed patients encounter major difficulties with daily tasks, restricting their independence and quality of life. Over the last few decades, brain–machine interfaces (BMIs) have emerged as game-changing paradigms, enabling patients to voluntarily control external devices (e.g., robotic arms) through neural signals. Among the key components of BMIs, the decoder, which interprets user intentions from neural activity, has significantly improved with deep learning. These deep-learning-based decoders have demonstrated state-of-the-art performance in BMI control. However, due to their complex model architecture, they typically require greater computational resources for training. This can pose a significant challenge for practical deployment, particularly in real-world BMI applications where computational constraints and environmental variability may differ from controlled laboratory settings. Models such as the Kalman filter (KF) are still popular in clinical and assistive applications due to their comparable performance to deep learning methods while requiring much fewer computational resources. In this study, we compared three decoding approaches using electrocorticography (ECoG) data from patients: the multiple linear regression model; the KF, which incorporates temporal dynamics; and a long short-term memory (LSTM) based recurrent deep-learning model. This comparison highlights the trade-off between computational cost and performance in real-world ECoG BMI applications.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
UCI(KEPA) : I410-151-25-02-093823912
