Um sistema de computação inspirado no cérebro, desenvolvido por pesquisadores do Instituto de Tecnologia de Pequim, classificou estados emocionais com base em dados de eletroencefalografia (EEG) em 18 microssegundos, usando 2,66 microjoules por inferência. A equipe informa que, nos testes em uma plataforma FPGA, o projeto consumiu 97,5% menos energia do que o modelo EEGNet usado para comparação.
Descrito na revista National Science Review, o sistema combina uma rede neural de impulsos adaptativa dinâmica com um acelerador globalmente assíncrono e localmente síncrono (GALS). Ele extrai características de entropia espectral dos sinais de EEG, converte a atividade informativa em eventos esparsos de impulsos e permite que os componentes do hardware permaneçam ociosos quando nenhum evento chega.
Os pesquisadores afirmam que cada neurônio artificial dispara no máximo uma vez durante um ciclo de inferência. A rede teve uma taxa média de disparos de cerca de 35%, o que, segundo a estimativa deles, reduz pela metade as exigências computacionais em comparação com redes densas. O consumo total de energia do acelerador foi de 148 miliwatts.
O sistema foi avaliado em cinco conjuntos de dados de reconhecimento de emoções: SEED, SEED-IV, SEED-V, DEAP e DREAMER. Ele alcançou até 96,85% de precisão no SEED. Os pesquisadores também relataram resistência ao ruído gaussiano, à deriva de sinal de baixa frequência e a artefatos eletromiográficos associados à atividade muscular.
Os resultados foram medidos usando uma FPGA Xilinx Zynq-7020. O estudo apresenta a arquitetura como uma possível via para o processamento de EEG vestível com menor consumo de energia, mas o desempenho relatado diz respeito ao sistema e aos conjuntos de dados testados.
Fontes: Neuroscience News.