EEGSN: Towards Efficient Low-latency Decoding of EEG with Graph Spiking Neural Networks

要約

タイトル：グラフ型スパイキングニューラルネットワークによるEEGの効率的な低遅延デコードに向けて（EEGSN）

要約：
– SNNの多くは、低遅延と省電力性を必要とするいくつかの重要なタスクに必ずしも適合する誘導バイアスに基づいて訓練されていない。
– EEGの信号による脳の行動を推論することは、学習のスパチオテンポラルな依存関係によってネットワークの訓練と推論の効率が強く影響を受けるタスクの例である。
– ここまで、SNNはさまざまなデータストリーム間のダイナミックな関係をモデル化するために一般的な誘導バイアスだけに頼っている。
– 我々は、分散されたEEGセンサーに存在するダイナミックな関係情報を学習する多チャネルEEG分類（EEGSN）のグラフ型スパイキングニューラルネットワークアーキテクチャを提案する。
– 我々の方法は、モーター実行分類タスクで比較可能な精度を達成しながら、最新のSNNに比べ推論計算の複雑さを20倍に減らした。
– 全体的に、我々の研究は、解釈可能で効率的なグラフスパイキングネットワークの訓練を提供し、低遅延かつ低消費電力のリアルタイムアプリケーションに適した枠組みを提供する。

要約(オリジナル)

A vast majority of spiking neural networks (SNNs) are trained based on inductive biases that are not necessarily a good fit for several critical tasks that require low-latency and power efficiency. Inferring brain behavior based on the associated electroenchephalography (EEG) signals is an example of how networks training and inference efficiency can be heavily impacted by learning spatio-temporal dependencies. Up to now, SNNs rely solely on general inductive biases to model the dynamic relations between different data streams. Here, we propose a graph spiking neural network architecture for multi-channel EEG classification (EEGSN) that learns the dynamic relational information present in the distributed EEG sensors. Our method reduced the inference computational complexity by $\times 20$ compared to the state-of-the-art SNNs, while achieved comparable accuracy on motor execution classification tasks. Overall, our work provides a framework for interpretable and efficient training of graph spiking networks that are suitable for low-latency and low-power real-time applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI