MARC

 008250224s2024        us  ||||||||||||||c||eng  d
■001000017164641
■00520250211153026
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798346869054
■035    ▼a(MiAaPQ)AAI31634001
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a620
■1001  ▼aValencia,  Daniel.
■24510▼aTowards  Autonomous  Brain-Computer  Interfaces:  Approaches,  Design,  and  Implementation.
■260    ▼a[S.l.]▼bUniversity  of  California,  San  Diego.  ▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a283  p.
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-06,  Section:  B.
■500    ▼aAdvisor:  Alimohammad,  Amir;Mercier,  Patrick.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  San  Diego,  2024.
■520    ▼aAutonomous  brain-computer  interfaces  (BCIs)  are  devices  designed  to  record,  process,  and  interpret  neural  activity,  enabling  individuals  with  neurodegenerative  diseases  or  spinal  cord  injuries  to  regain  their  ability  to  interact  with  their  environment  without  assistance.  Over  the  past  two  decades,  BCI  technology  has  advanced  remarkably,  largely  due  to  improvements  in  neural  recording  interfaces,  such  as  high-density  micro-electrode  arrays  (MEAs).  These  innovations  allow  researchers  to  collect  more  comprehensive  neural  data,  enhancing  our  understanding  of  neural  dynamics  and  their  interaction  with  human  physiology.  However,  BCI  technology  still  faces  three  major  challenges  that  hinder  its  progression  toward  practical  applications.1.  Data  Overload:  Modern  MEAs,  with  their  increased  number  of  recording  channels,  generate  vast  amounts  of  data.  Consequently,  the  power  consumption  required  to  acquire,  process,  and  transmit  this  data  becomes  a  significant  barrier,  especially  given  tissue-safe  design  constraints.  This  dissertation  investigates  three  effective  approaches  to  reduce  data  rates,  and  thus  power  consumption:  spike  detection,  spike  sorting,  and  neural  signal  compression,  all  of  which  leverage  relevant  signal  features  for  specific  applications.2.  Neural  decoding  versatility:  No  single  neural  decoding  algorithm  suits  all  applications  or  users.  Therefore,  a  versatile  BCI  system  must  be  capable  of  executing  a  range  of  neural  decoding  algorithms.  This  dissertation  examines  the  efficient  design  and  implementation  of  two  processor  architectures  supporting  various  neural  decoding  schemes.  One  processor  uses  fine-grained  sequential  processing  to  implement  arbitrary  machine-learning-based  neural  decoding  models,  while  the  other  employs  biologically  plausible  neuron  models  to  realize  a  spiking  neural  network.3.  Autonomous  user  engagement:  Traditional  BCIs  require  users  to  engage  with  the  system  during  predefined  time  periods.  This  dissertation  explores  two  methods  for  estimating  a  user's  intention  to  engage  with  a  BCI  application:  one  using  high-frequency  neural  spikes  and  the  other  using  low-frequency  local  field  potentials.  A  hybrid  (multi-signal)  asynchronous  BCI  is  designed,  implemented,  and  verified,  combining  both  neural  signal  types  to  optimize  intention  estimation  and  improve  neural  decoding  performance.The  approaches  discussed  in  this  dissertation  present  practical  strategies  to  advance  BCI  technology  by  reducing  power  consumption,  enabling  flexible  and  robust  neural  decoding,  and  incorporating  various  neural  signal  features  for  efficient  user  intention  estimation.
■590    ▼aSchool  code:  0033.
■650  4▼aEngineering.
■650  4▼aComputer  engineering.
■650  4▼aElectrical  engineering.
■653    ▼aApplication-specific  integrated  circuits
■653    ▼aBrain-computer  interfaces
■653    ▼aDigital  circuits
■653    ▼aNeural  signal  processing
■690    ▼a0537
■690    ▼a0544
■690    ▼a0464
■71020▼aUniversity  of  California,  San  Diego▼bElectrical  and  Computer  Engineering  (Joint  Doctoral  with  SDSU).
■7730  ▼tDissertations  Abstracts  International▼g86-06B.
■790    ▼a0033
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164641▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서