面向脑机接口的多谱黎曼分类之混合精度量化与并行实现
信号处理
2021-02-23 v1
摘要
借助运动想象(MI)脑机接口(BMI)，我们仅通过想象执行某个运动动作即可控制机器。实际用例需要一种可穿戴方案，其中脑信号分类在传感器近端由嵌入于高能效微控制器单元(MCU)上的机器学习模型本地完成，以保障隐私、用户舒适度及长期使用。本工作中，我们针对嵌入式 BMI 方案的精度–代价权衡提供了实用见解。我们所提出的多谱黎曼分类器在4类 MI 任务上达到75.1%的准确率。我们进一步通过将模型量化为混合精度表示来缩减其规模，精度损失最小仅为1%，但仍比最先进的嵌入式卷积神经网络准确率高3.2%。我们在具有并行处理单元的低功耗 MCU 上实现该模型，每次分类仅耗时33.39ms并消耗1.304mJ。
引用
@article{arxiv.2102.11221,
title = {Mixed-Precision Quantization and Parallel Implementation of Multispectral Riemannian Classification for Brain--Machine Interfaces},
author = {Xiaying Wang and Tibor Schneider and Michael Hersche and Lukas Cavigelli and Luca Benini},
journal= {arXiv preprint arXiv:2102.11221},
year = {2021}
}