STAND-Net:一个尖的时间注意力autoeNcoDer网络,以有效地移除EEG人工物

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 计算机科学 计算机科学

背景情况:

• 基于脑电图 (EEG) 的脑电脑接口 (BCI) 系统提供了巨大的潜力,但受到降低信号质量的生理工件的阻碍.
• 目前用于文物拒绝的深度神经网络 (DNN) 在计算上昂贵,限制了它们在可穿戴BCI设备中的使用.

研究的目的:

• 为可穿戴BCI应用开发一种超高效,高保真的EEG器件移除系统.
• 引入STAND-Net,一种用于低功耗和有效的文物拒绝而设计的神经形态架构.

主要方法:

• 开发了STAND-Net,一种利用尖端神经元,尖端卷积编码解码器和尖端速率注意力机制的神经形态架构.
• 模拟了时空EEG动态和远程依赖,使用漏洞的整合和发射神经元和扩展增强的残余脊柱.
• 采用了基于神经元发射模式的动态文物定位的尖峰率注意力机制.

主要成果:

• 与最先进的方法相比,在各种工件中实现了>3.7dB的信号与扭曲比率的改进.
• 与同类DNN相比,显示了97.98%的功耗降低.
• 使用STAND-Net处理的信号,下游BCI分类准确度提高了6.64%.

结论:

• 在可穿戴BCI系统中,STAND-Net提供了一种低功耗,高质量的解决方案,用于在可穿戴BCI系统中移除EEG工件.
• 这种神经形态框架可以实现高效和有效的信号处理,以提高BCI性能.
• 这项研究通过神经形态工程建立了开发高效BCI系统的新方向.