资源高效的神经网络架构用于对可植入设备上的神经袖珍记录进行分类

科学领域:

• 生物医学工程 生物医学工程
• 神经科学是一个神经科学.
• 机器学习 机器学习

背景情况:

• 闭环功能电刺激 (FES) 系统利用记录的神经信号进行实时决策.
• 之前的卷积神经网络 (CNN) 模型在区分神经通路方面取得了高精度,但对于植入式设备来说太耗费资源.

研究的目的:

• 为可植入的FES系统开发资源高效的神经网络 (NN) 架构.
• 为了最大限度地降低数据存储和电力消耗,CNN用于多接触神经带电极记录,性能降低最小.

主要方法:

• 评估了各种神经网络架构,包括ESCAPE-NET,完全卷积网络和循环神经网络,使用老鼠坐骨神经记录.
• 训练有素的NN从56通道袖口电极数据中对自然化合物作用电位 (nCAP) 进行分类.
• 根据F1分数,权重数和浮点运算 (FLOP) 来评估NN的表现.

主要成果:

• 确定了NN变异,需要比ESCAPE-NET少1,132-1,787倍的重量和389-995倍的内存.
• 实现了0.70-0.71的宏F1得分,与0.75的基线相比,计算负载显著降低 (6-11,073x更少的FLOP).
• 记忆需求范围从22.69KB到58.11KB,适合在基于ASIC的深度学习加速器中进行芯片集成.

结论:

• 缩小ESCAPE-NET版本可以在不影响准确性的情况下大幅节省资源.
• 这些优化的NN适合整合到手术植入式设备中,用于响应性闭环神经刺激.