Un sistema de computación inspirado en el cerebro, desarrollado por investigadores del Instituto de Tecnología de Beijing, clasificó estados emocionales a partir de datos de electroencefalografía (EEG) en 18 microsegundos y utilizó 2,66 microjulios por inferencia. El equipo informa que el diseño consumió un 97,5 % menos de energía que el modelo EEGNet utilizado como referencia en las pruebas realizadas en una plataforma FPGA.
Descrito en la revista National Science Review, el sistema combina una red neuronal de impulsos adaptativa dinámica con un acelerador globalmente asíncrono y localmente síncrono (GALS). Extrae características de entropía espectral de las señales de EEG, convierte la actividad informativa en eventos de impulsos dispersos y permite que los componentes del hardware permanezcan inactivos cuando no llegan eventos.
Los investigadores afirman que cada neurona artificial se activa como máximo una vez durante un ciclo de inferencia. La red tuvo una tasa media de activación de alrededor del 35 %, lo que, según sus estimaciones, reduce a la mitad las exigencias computacionales en comparación con las redes densas. El consumo total de energía del acelerador fue de 148 milivatios.
El sistema se evaluó con cinco conjuntos de datos de reconocimiento de emociones: SEED, SEED-IV, SEED-V, DEAP y DREAMER. Alcanzó una precisión de hasta el 96,85 % en SEED. Los investigadores también informaron de su resistencia al ruido gaussiano, la deriva de señales de baja frecuencia y los artefactos electromiográficos asociados con la actividad muscular.
Los resultados se midieron con una FPGA Xilinx Zynq-7020. El estudio presenta la arquitectura como una posible vía para procesar EEG con dispositivos portátiles de menor consumo energético, pero el rendimiento informado corresponde al sistema y los conjuntos de datos evaluados.
Fuentes: Neuroscience News.