LiHEA: Migrating EEG Analytics to Ultra-Edge IoT Devices With Logic-in-Headbands
Notice bibliographique
Résumé
Traditional cloud computing of raw Electroencephalogram (EEG) data, particularly for continuous monitoring use-cases, consumes precious network resources and contributes to delay. Motivated by the paradigm shift of edge computing and Internet of Things (IoT) for continuous monitoring, we focus on this paper on the first step to carry out EEG edge analytics at the last frontier (i.e., the ultra-edge) of our considered cyber-physical system for ensuring users’ convenience and privacy. To overcome challenges due to computational and energy resource constraints of IoT devices (e.g., EEG headbands/headsets), in this paper, we envision a smart, lightweight model, referred to as Logic-in-Headbands based Edge Analytics (LiHEA), which can be seamlessly incorporated with the consumer-grade EEG headsets to reduce delay and bandwidth consumption. By systematically investigating various traditional machine and deep learning models, we identify and select the best model for our envisioned LiHEA. We consider a use-case for detecting confusion, representing levels of distraction, during online course delivery which has become pervasive during the novel coronavirus (COVID-19) pandemic. We apply a unique feature selection technique to find out which features are triggered with confusion where delta waves, attention, and theta waves were announced as the three most important features. Among various traditional machine and deep learning models, our customized random forest model demonstrated the highest accuracy of 90%. Since the dataset size might have impacted the performance of deep learning-based approaches, we further apply the deep convolutional generative adversarial network (DCGAN) to generate synthetic traces with representative samples of the original EEG data, and thereby enhance the variation in the data. While the performances of the deep learning models significantly increase after the data augmentation, they still cannot outperform the random forest model. Furthermore, computational complexity analysis is performed for the three best-performing algorithms, and random forest emerges as the most viable model for our envisioned LiHEA.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».