在神经形态硬件上进行个性化车意图检测的短拍转移学习

科学领域:

• 神经形态计算是一种神经形态计算.
• 对于辅助技术的机器学习
• 生物医学信号处理

背景情况:

• 在脑电图 (EEG) 数据分析中,传统的群体级模型缺乏个体特异性.
• 开发针对实时应用程序的个性化模型,如高级驾驶辅助系统 (ADAS),具有挑战性.
• 神经形态系统为节能,在设备上学习提供了潜力.

研究的目的:

• 在BrainChip Akida AKD1000上探索一些射击转移学习方法来训练卷积尖端神经网络 (CSNNs).
• 开发个人级预测模型,使用EEG数据预测制动意图.
• 在神经形态平台上评估拟议方法的有效性和能源效率.

主要方法:

• 一个小组级的卷积神经网络 (CNN) 通过参与者执行驾驶任务的EEG数据进行训练.
• 在CNN被转换为阿基达AKD1000神经形态处理器和量化.
• 应用了一些射击转移学习,使用在线Akida边缘学习对个性化CSNN模型进行单个数据子集的最终层的训练.

主要成果:

• 个人特定的制动意图模型实现了超过90%的准确性,真正的正比率和真正的负比率,只需三个训练时代.
• 与传统CPU相比,阿基达AKD1000处理器的功耗减少了97%以上,延迟增加了1.3倍.
• 废除研究证实了该方法的稳定性,EEG通道数量减少.

结论:

• 提出的几次射击转移学习方法可以快速开发精确的,针对个体的预测模型,用于节能的神经形态硬件.
• 这种方法对于需要个性化,适应性AI的实时应用非常相关.
• 该研究强调了神经形态计算在定制,低功耗边缘人工智能解决方案中的潜力.