Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
하이브리드 BCI를 위해 설계된 경량 EEG 분류 아키텍처인 SwitchBraidNet을 제안합니다. 양자화 인식 학습을 통해 저전력 임베디드 하드웨어에서도 높은 정확도와 효율성을 유지하며 동작합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기운동 상상 (Motor Imagery, MI)과 정상 상태 시각 유발 전위 (Steady-State Visual Evoked Potentials, SSVEP)를 통합하는 하이브리드 뇌-컴퓨터 인터페이스 (Brain-Computer Interfaces, BCIs)는 고차원적인 신경 디코딩을 제공하지만, 일반적으로 임베디드 하드웨어의 계산 한계를 초과합니다. 이를 해결하기 위해, 우리는 저전력 배포를 위해 설계된 컴팩트한 EEG 분류 아키텍처인 SwitchBraidNet을 제안합니다. 이 모델은 다중 스케일 진동 특징 (multiscale oscillatory features)을 추출하기 위한 이중 경로 시간 브레이드 (dual-path temporal braid), 전극 게이팅 (electrode gating)을 위한 적응형 스퀴즈 앤 엑세이션 (squeeze-and-excitation) 공간 스위치, 그리고 직접적인 대역 전력 인코딩 (band-power encoding)을 위한 로그 분산 판독층 (log-variance readout layer)을 채택합니다. 또한, OpenBMI 데이터셋에 대한 체계적인 양자화 인식 학습 (quantisation-aware training)을 통해, FP32, FP16, INT8 정밀도에 걸쳐 SwitchBraidNet을 네 가지 기존 베이스라인과 비교했습니다. 실험 결과는 뛰어난 효율성과 성능을 입증하며, MI 정확도 69.49% (FP16), SSVEP 정확도 93.48% (FP32), 그리고 64.82 bits/min의 하이브리드 정보 전송률 (information transfer rate) (FP16)을 달성했습니다. 단 3.03 KB의 INT8 풋프린트(footprint)를 가진 SwitchBraidNet은 다양한 수치 정밀도 전반에서 높은 정확도를 유지하며, 저전력 임베디드 BCI 배포에 대한 적합성을 입증합니다.