Q-EEGNet：一种用于边缘运动想象脑机接口的能效型 8 位量化并行 EEGNet 实现
信号处理
2023-01-18 v3 机器学习
摘要
运动想象脑机接口（MI-BMI）通过分析脑电图（EEG）记录的大脑活动，有望实现人脑与机器之间直接且便捷的通信。延迟、可靠性和隐私约束使得将计算卸载到云端并不合适。实际用例要求一种可穿戴、电池供电且平均功耗低以长期使用的设备。近来，特别是深度学习模型等复杂算法已涌现用于分类 EEG 信号。尽管达到了出色的准确率，这些模型常因其内存与计算需求而超出边缘设备的限制。在本文中，我们展示了针对 EEGNET（一种适用于多种 BMI 范式的紧凑卷积神经网络（CNN））的算法与实现优化。我们将权重与激活量化为 8 位定点，在 4 类运动想象上仅有 0.4% 的微小准确率损失，并利用其定制的 RISC-V ISA 扩展与 8 核计算集群，在 Mr.Wolf 并行超低功耗（PULP）片上系统（SoC）上给出了一种能效型硬件感知实现。借助我们所提出的优化步骤，相对于单核逐层基线实现，我们可获得整体 64 倍加速与高达 85% 的内存占用缩减。我们的实现每次推理仅耗时 5.82 ms 并消耗 0.627 mJ。以 21.0GMAC/s/W 计，其能效比 ARM Cortex-M7 上的 EEGNET 实现（0.082GMAC/s/W）高 256 倍。
引用
@article{arxiv.2004.11690,
title = {Q-EEGNet: an Energy-Efficient 8-bit Quantized Parallel EEGNet Implementation for Edge Motor-Imagery Brain--Machine Interfaces},
author = {Tibor Schneider and Xiaying Wang and Michael Hersche and Lukas Cavigelli and Luca Benini},
journal= {arXiv preprint arXiv:2004.11690},
year = {2023}
}