面向脑机接口的轻量级向量符号架构上的调度式知识获取

脑机接口（BCI）通常被设计为轻量级且能实时响应，以便为用户提供及时反馈。经典的特征工程计算效率高但准确率低，而近期的深度神经网络（DNN）虽提高了准确率，但计算开销大且延迟高。作为一种有前景的替代方案，基于向量符号架构（VSA）的低维计算（LDC）分类器在保持较小模型尺寸的同时，实现了比经典特征工程方法更高的准确率。然而，其准确率仍落后于现代 DNN，这使得处理复杂的脑信号变得具有挑战性。为了提高小模型的准确率，知识蒸馏是一种流行的方法。然而，在教师模型和学生模型之间维持恒定的蒸馏水平，对于处于渐进学习阶段的成长中的学生模型而言，可能并非最佳方式。在这项工作中，我们提出了一种基于课程数据顺序的简单调度式知识蒸馏方法，使学生模型能够逐步从教师模型中构建知识，并由一个 $\alpha$ 调度器控制。同时，我们采用 LDC/VSA 作为学生模型，以提升对要求低延迟的微型 BCI 设备的端侧推理效率。实证结果表明，与其他方法相比，我们的方法在准确率和硬件效率之间取得了更好的权衡。