EEGSN：基于图脉冲神经网络的高效低延迟脑电解码
神经与进化计算
2023-04-20 v2 人工智能
人机交互
机器学习
摘要
绝大多数脉冲神经网络（SNNs）的训练基于归纳偏置，而这些归纳偏置未必适合若干需要低延迟与功耗效率的关键任务。基于相关脑电图（EEG）信号推断大脑行为即为一例，其中网络训练与推理效率会受到时空依赖关系学习的严重影响。迄今为止，SNNs 仅依赖通用归纳偏置来建模不同数据流之间的动态关系。在此，我们提出一种用于多通道 EEG 分类的图脉冲神经网络架构（EEGSN），其学习分布式 EEG 传感器中存在的动态关系信息。与最先进的 SNNs 相比，我们的方法将推理计算复杂度降低了 ，同时在运动执行分类任务上取得了可比的精度。总体而言，我们的工作为可解释且高效的图脉冲网络训练提供了一个框架，适用于低延迟、低功耗的实时应用。
引用
@article{arxiv.2304.07655,
title = {EEGSN: Towards Efficient Low-latency Decoding of EEG with Graph Spiking Neural Networks},
author = {Xi Chen and Siwei Mai and Konstantinos Michmizos},
journal= {arXiv preprint arXiv:2304.07655},
year = {2023}
}
备注
This article has been withdrawn due to an internal dispute