摘要——基于头皮记录脑电图 (EEG) 的脑机接口 (BCI) 系统可以极大地改善患有运动障碍的人的生活质量。创建由多个卷积、LSTM 和全连接层组成的深度神经网络来解码 EEG 信号,以最大限度地提高人类意图识别的准确性。然而,之前的 FPGA、ASIC、ReRAM 和光子加速器在处理实时意图识别时无法保持足够的电池寿命。在本文中,我们提出了一种超低功耗光子加速器 MindReading,仅通过低位宽的加法和移位运算即可实现人类意图识别。与之前的神经网络加速器相比,在保持实时处理吞吐量的情况下,MindReading 将功耗降低了 62.7%,并将每瓦吞吐量提高了 168%。
主要关键词
![arXiv:2001.11954v1 [eess.SP] 2020 年 1 月 30 日PDF文件第1页](/bimg/a/a716ecd824b641193a06c9d685ed4c84bcd0f0b6.webp)
![arXiv:2001.11954v1 [eess.SP] 2020 年 1 月 30 日PDF文件第2页](/bimg/d/d105f6edd205def99642d8766bdd93a3384b1c99.webp)
![arXiv:2001.11954v1 [eess.SP] 2020 年 1 月 30 日PDF文件第3页](/bimg/c/cf011b61519cb062224125748a4d66fd53a78bb5.webp)
![arXiv:2001.11954v1 [eess.SP] 2020 年 1 月 30 日PDF文件第4页](/bimg/3/30ea101d6a7dee9245fdb279e231ac16ed32e87a.webp)
![arXiv:2001.11954v1 [eess.SP] 2020 年 1 月 30 日PDF文件第5页](/bimg/0/03cc36f53e9f9b66c2419f9b2a3ce505a9da6dad.webp)
