กรุงเทพฯ, 30 ส.ค. 2566 — WiMi Hologram Cloud Inc. (NASDAQ: WIMI) (“WiMi” หรือ “บริษัท”) ผู้ให้บริการเทคโนโลยี Augmented Reality (“AR”) Hologram ชั้นนําระดับโลก ได้ประกาศในวันนี้ว่า มีการพัฒนาวิธีการเรียนรู้ขั้นสูงแบบใหม่ที่นํามาใช้ในสาขา BMI ด้วยการเพิ่มข้อมูล เพื่อแก้ปัญหาบางประการในเทคโนโลยี BMI ปัจจุบัน
ประการแรก ปัญหาหลักประการหนึ่งในสาขา BMI คือปริมาณข้อมูลที่ไม่เพียงพอ เนื่องจากความยากลําบากในการเก็บรวบรวมข้อมูล EEG ของมนุษย์และปริมาณข้อมูลที่จํากัด ทําให้ยากต่อการฝึกตัวจําแนกที่แม่นยํา นอกจากนี้ วิธีการเพิ่มข้อมูลแบบดั้งเดิมก็มีข้อจํากัด WiMi จึงเสนอวิธีใหม่ที่รวมการเรียนรู้ขั้นสูงและการเพิ่มข้อมูล ซึ่งสามารถสร้างข้อมูล EEG เทียมได้จํานวนมาก โดยใช้ข้อมูล EEG จํานวนน้อย ดังนั้นจึงสามารถปรับปรุงความแม่นยําและความสามารถในการทั่วไปของตัวจําแนก
วิธีการเรียนรู้ขั้นสูงแบบใหม่ที่ WiMi พัฒนาขึ้นมารวมการเพิ่มข้อมูลและเทคนิคการสลายโหมดเชิงประสบการณ์สําหรับจําแนกสัญญาณภาพการเคลื่อนไหว วิธีการนี้ประยุกต์ใช้การสลายโหมดเชิงประสบการณ์กับเฟรม EEG ผสมฟังก์ชันโหมดพื้นฐานภายในของพวกมันเพื่อสร้างเฟรม EEG เทียมใหม่ และแปลงข้อมูล EEG ทั้งหมดเป็นเทนเซอร์เพื่อเป็นอินพุตให้กับเครือข่ายประสาท นอกจากนี้ ยังเสนอเครือข่ายประสาทสองเครือข่ายที่รวม CNN และเครือข่ายประสาทเวฟเลตเพื่อฝึกน้ําหนักและจําแนกสัญญาณภาพการเคลื่อนไหวสองประเภท เครือข่ายประสาทเวฟเลตเป็นประเภทใหม่ของเครือข่ายประสาทที่ใช้เวฟเลตแทนชั้นคอนโวลูชัน
วิธีการเรียนรู้ขั้นสูงแบบใหม่นี้รวมเครือข่ายประสาท CNN และเครือข่ายประสาทเวฟเลต เครือข่ายประสาทคอนโวลูชันเป็นโครงสร้างเครือข่ายประสาททั่วไป มักใช้ในสาขาเช่นการรู้จําภาพ มีความสามารถในการสกัดคุณลักษณะที่ดี เครือข่ายประสาทเวฟเลตเป็นประเภทใหม่ของเครือข่ายประสาทที่ใช้เวฟเลตแทนชั้นคอนโวลูชัน ซึ่งสามารถสกัดข้อมูลความถี่-เวลาได้ดียิ่งขึ้น การผสานกันของสองเครือข่ายนี้สามารถแก้ปัญหาการจําแนกข้อมูลในสาขา BMI ได้ดียิ่งขึ้น
การดําเนินการนี้โดยการประยุกต์ใช้การสลายโหมดเชิงประสบการณ์กับเฟรม EEG และผสมฟังก์ชันโหมดพื้นฐานภายในของพวกมันเพื่อสร้างเฟรม EEG เทียมใหม่ แล้วแปลงข้อมูล EEG ทั้งหมดเป็นเทนเซอร์ ซึ่งทําหน้าที่เป็นคอมเพล็กซ์ มอร์เลต เวฟเลตเป็นอินพุตให้กับเครือข่ายประสาท CNN และเครือข่ายประสาทเวฟเลตถูกใช้ในการฝึกน้ําหนักและจําแนกสัญญาณภาพการเคลื่อนไหวสองประเภท
การสลายโหมดเชิงประสบการณ์: แต่ละเฟรม EEG ถูกสลายออกเป็นฟังก์ชันโหมดพื้นฐานภายในหลายฟังก์ชัน และพจน์โคไซน์โดยเทคนิคการสลายโหมดเชิงประสบการณ์ จากนั้น IMFs แต่ละตัวถูกผสมรวมกันเพื่อสร้างเฟรม EEG เทียมใหม่สําหรับการฝึกเครือข่ายประสาท
การเพิ่มข้อมูล: วิธีการเพิ่มข้อมูล เช่น การหมุน การแปลงผัน และการปรับมาตราส่วน ถูกนํามาใช้เพื่อสร้างเฟรม EEG ใหม่บางส่วนสําหรับการฝึกเครือข่ายประสาท ซึ่งขยายชุดข้อมูลแ