Ein von Forschenden am Beijing Institute of Technology entwickeltes, gehirninspiriertes Computersystem klassifizierte emotionale Zustände anhand von Elektroenzephalografie-(EEG-)Daten in 18 Mikrosekunden und benötigte pro Inferenz 2,66 Mikrojoule. Das Team berichtet, dass das Design bei Tests auf einer FPGA-Plattform 97,5 % weniger Energie verbrauchte als das zum Vergleich herangezogene Modell EEGNet.
Das in der Fachzeitschrift National Science Review beschriebene System kombiniert ein dynamisches, adaptives spikendes neuronales Netz mit einem global asynchronen, lokal synchronen (GALS) Beschleuniger. Es extrahiert Spektralentropie-Merkmale aus EEG-Signalen, wandelt informative Aktivität in spärliche Spike-Ereignisse um und ermöglicht es den Hardwarekomponenten, inaktiv zu bleiben, wenn keine Ereignisse eintreffen.
Laut den Forschenden feuert jedes künstliche Neuron während eines Inferenzzyklus höchstens einmal. Die durchschnittliche Feuerrate des Netzwerks lag bei etwa 35 %. Schätzungen zufolge verringert dies den Rechenaufwand im Vergleich zu dichten Netzwerken um die Hälfte. Der Gesamtstromverbrauch des Beschleunigers betrug 148 Milliwatt.
Das System wurde anhand von fünf Datensätzen zur Emotionserkennung evaluiert: SEED, SEED-IV, SEED-V, DEAP und DREAMER. Auf SEED erreichte es eine Genauigkeit von bis zu 96,85 %. Die Forschenden berichteten außerdem von einer Widerstandsfähigkeit gegenüber Gaußschem Rauschen, niederfrequenter Signaldrift und elektromyografischen Artefakten im Zusammenhang mit Muskelaktivität.
Die Ergebnisse wurden mit einem Xilinx-Zynq-7020-FPGA gemessen. Die Studie stellt die Architektur als möglichen Weg zu energieärmerer tragbarer EEG-Verarbeitung vor; die berichtete Leistung bezieht sich jedoch auf das getestete System und die verwendeten Datensätze.
Quellen: Neuroscience News.