Un sistema di calcolo ispirato al cervello, sviluppato da ricercatori del Beijing Institute of Technology, ha classificato stati emotivi a partire da dati di elettroencefalografia (EEG) in 18 microsecondi, utilizzando 2,66 microjoule per inferenza. Il gruppo riferisce che, nelle prove condotte su una piattaforma FPGA, il progetto ha consumato il 97,5% di energia in meno rispetto al modello EEGNet usato per il confronto.
Descritto sulla rivista National Science Review, il sistema combina una rete neurale a impulsi ad adattamento dinamico con un acceleratore globalmente asincrono e localmente sincrono (GALS). Estrae caratteristiche di entropia spettrale dai segnali EEG, converte l’attività informativa in eventi impulsivi sparsi e consente ai componenti hardware di restare inattivi quando non arrivano eventi.
I ricercatori affermano che ciascun neurone artificiale si attiva al massimo una volta durante un ciclo di inferenza. La rete ha registrato una frequenza media di attivazione di circa il 35%, che, secondo le loro stime, dimezza le esigenze di calcolo rispetto alle reti dense. Il consumo energetico totale dell’acceleratore era di 148 milliwatt.
Il sistema è stato valutato su cinque dataset per il riconoscimento delle emozioni: SEED, SEED-IV, SEED-V, DEAP e DREAMER. Ha raggiunto un’accuratezza fino al 96,85% su SEED. I ricercatori hanno inoltre riferito che il sistema è resistente al rumore gaussiano, alla deriva del segnale a bassa frequenza e agli artefatti elettromiografici associati all’attività muscolare.
I risultati sono stati misurati utilizzando una FPGA Xilinx Zynq-7020. Lo studio presenta l’architettura come una possibile soluzione per l’elaborazione EEG indossabile a basso consumo, ma le prestazioni riportate riguardano il sistema e i dataset testati.
Fonti: Neuroscience News.