NiSNN-A:非代的尖端神经网络,注意应用于运动图像的EEG分类

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 使用脑电图 (EEG) 进行运动图像 (MI) 分类对于低功耗应用至关重要.
• 传统的深度学习 (DL) 模型是能源密集型的,而尖端神经网络 (SNN) 则提供效率,但精度较低.
• 将注意力机制集成到SNN中,以提高EEG分类准确度是一个开放的研究领域.

研究的目的:

• 开发一个能效的SNN模型,注意MI EEG分类.
• 为了解决SNNs的精度限制和DL模型的能量需求.
• 提高基于EEG的应用程序的精度和降低能源消耗.

主要方法:

• 提出了一种非代的漏洞整合和发射 (NiLIF) 神经元模型,以解决SNN中的梯度问题.
• 引入了基于序列的注意力机制,以在SNN框架内完善特征图.
• 在OpenBMI和BCIC IV 2a MI EEG数据集上评估了非代性SNN与注意 (NiSNN-A) 模型.

主要成果:

• 与其他SNN模型相比,NiSNN-A模型实现了更高的准确性.
• 与同等CNN模型相比,NiSNN-A模型的能源效率提高了2.13倍.
• 在NiSNN-A模型和CNN模型之间保持了可比的准确性.

结论:

• 拟议的NiSNN-A模型有效地将SNN的能源效率与注意力机制的精度优势相结合.
• 这种方法为基于低功耗EEG的应用提供了有希望的解决方案,特别是在运动成像任务中.
• NiLIF神经元和基于序列的注意力有助于提高性能和节省能源.