Profiling a Raspberry Pi-Based Motor Imagery Classification to Facilitate At-Home BCI for Children with Disabilities
Notice bibliographique
Résumé
There has been incremental progress in moving BCI out of the laboratory environment and into the homes of those who would benefit most, especially children living with severe physical disabilities. Practical issues, such as available computational resources and long calibration times, have slowed down the adoption of such systems. To develop an efficient and scalable machine learning framework consistent with early approaches that facilitate at-home BCI use, this study provides valuable insights into measuring the behavioral characteristics of a Raspberry Pi 4 (RPi4) during the operation and execution of standard BCI processes, including the training and evaluation of classifier models. The results, which evaluated ten standard classifiers, including the Riemannian Geometry (RG) framework and more advanced deep learning approaches like Artificial Neural Network (ANN), were profiled on RPi4. These were compared to Desktop and MacBook computations for metrics such as training time, inference time, peak memory, and incremental memory usage, with computational bottlenecks identified. Our assessment revealed comparable performance metrics (84.3% of accuracy, recall, and f1_score, and 84.7% precision) for the neural network models despite the lower computational resources. Profiling results, including 1.74 sec training time, 0.405 sec inference time, 1154.9 MiB peak memory, and 405.2 MiB incremental memory usage, also demonstrated that the RPi4 is a potentially viable device for low-cost BCI systems. However, high-resource demanding classifiers such as ANN may need to be carefully considered in their implementation, which, in turn, will scale down the potential cost and complexity of adopting practical, impactful at-home BCI systems.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».