論文の概要: Low-Complexity CNN-Based Classification of Electroneurographic Signals

• arxiv url: http://arxiv.org/abs/2505.06241v1
• Date: Sun, 27 Apr 2025 12:45:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-18 22:55:23.159852
• Title: Low-Complexity CNN-Based Classification of Electroneurographic Signals
• Title（参考訳）: 低複雑さCNNを用いた脳波信号の分類
• Authors: Arek Berc Gokdag, Silvia Mura, Antonio Coviello, Michele Zhu, Maurizio Magarini, Umberto Spagnolini,
• Abstract要約: 本研究では,計算コストを低減し,分類性能をわずかに向上させる軽量アーキテクチャであるMobilESCAPE-Netを紹介する。 最先端の ESCAPE-Net と比較すると、MobilESCAPE-Net の精度は同等であり、F1-Score は極めて小さく、トレーニング可能なパラメータを99.9%削減し、浮動小数点演算を92.47%削減し、推論とリアルタイム処理の高速化を実現している。
• 参考スコア（独自算出の注目度）: 5.92525291531819
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Peripheral nerve interfaces (PNIs) facilitate neural recording and stimulation for treating nerve injuries, but real-time classification of electroneurographic (ENG) signals remains challenging due to constraints on complexity and latency, particularly in implantable devices. This study introduces MobilESCAPE-Net, a lightweight architecture that reduces computational cost while maintaining and slightly improving classification performance. Compared to the state-of-the-art ESCAPE-Net, MobilESCAPE-Net achieves comparable accuracy and F1-score with significantly lower complexity, reducing trainable parameters by 99.9\% and floating point operations per second by 92.47\%, enabling faster inference and real-time processing. Its efficiency makes it well-suited for low-complexity ENG signal classification in resource-constrained environments such as implantable devices.
• Abstract（参考訳）: 末梢神経インターフェース(PNI)は神経障害の治療のための神経記録と刺激を促進するが、特に移植可能なデバイスにおいて、複雑さと遅延に制約があるため、リアルタイムの脳波信号の分類は困難である。 本研究では,計算コストを低減し,分類性能をわずかに向上させる軽量アーキテクチャであるMobilESCAPE-Netを紹介する。 最先端のESCAPE-Netと比較すると、MobilESCAPE-Netは同等の精度とF1スコアを実現し、トレーニング可能なパラメータを99.9\%、浮動小数点演算を92.47\%削減し、高速な推論とリアルタイム処理を実現している。 その効率性は、埋め込みデバイスのような資源制約のある環境において、低複雑さのENG信号の分類に適している。

関連論文リスト

• REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
  本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。 グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。 本モデルは,発作検出と分類作業において高い精度を示す。
  論文  参考訳（メタデータ） (2024-06-03T16:30:19Z)
• SLP-Net:An efficient lightweight network for segmentation of skin lesions [9.812172372998358]
  SLP-Netは、スパイキングニューラルP(SNP)システム型機構に基づく超軽量皮膚病変セグメンテーションネットワークである。 通常のエンコーダ・デコーダ構造を持たない軽量なマルチスケール特徴抽出器を設計する。 ISIC2018チャレンジの実験では、提案されたモデルが最先端の手法の中で最も高いAccとDSCを持つことを示した。
  論文  参考訳（メタデータ） (2023-12-20T06:22:21Z)
• EPIM: Efficient Processing-In-Memory Accelerators based on Epitome [78.79382890789607]
  畳み込みのような機能を提供する軽量神経オペレータであるEpitomeを紹介する。 ソフトウェア側では,PIMアクセラレータ上でのエピトームのレイテンシとエネルギを評価する。 ハードウェア効率を向上させるため,PIM対応層設計手法を提案する。
  論文  参考訳（メタデータ） (2023-11-12T17:56:39Z)
• ETLP: Event-based Three-factor Local Plasticity for online learning with neuromorphic hardware [105.54048699217668]
  イベントベース3要素局所塑性(ETLP)の計算複雑性に明らかな優位性を有する精度の競争性能を示す。 また, 局所的可塑性を用いた場合, スパイキングニューロンの閾値適応, 繰り返しトポロジーは, 時間的構造が豊富な時間的パターンを学習するために必要であることを示した。
  論文  参考訳（メタデータ） (2023-01-19T19:45:42Z)
• Seizure Detection and Prediction by Parallel Memristive Convolutional Neural Networks [2.0738462952016232]
  本稿では,低レイテンシ並列畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 本ネットワークは,てんかん発作検出では99.84%,てんかん発作予測では97.54%のクロスバリデーション精度を達成している。 CNNは22nm FDSOI CMOSプロセスで31.255mm$2$の面積を占有しながら約2.791Wの電力を消費すると推定されている。
  論文  参考訳（メタデータ） (2022-06-20T18:16:35Z)
• Real-Time EMG Signal Classification via Recurrent Neural Networks [2.66418345185993]
  ニューラルネットワークに基づく一連のアーキテクチャを用いて、分類精度を高め、予測遅延時間を短縮する。 これらのアーキテクチャの性能は比較され、一般に600msecで96%の分類精度を達成し、他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2021-09-13T02:36:44Z)
• Efficient Micro-Structured Weight Unification and Pruning for Neural Network Compression [56.83861738731913]
  ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。 既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。 ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
  論文  参考訳（メタデータ） (2021-06-15T17:22:59Z)
• Surrogate gradients for analog neuromorphic computing [2.6475944316982942]
  デバイスミスマッチに対する自己修正学習は,視覚と音声のベンチマークにおいて,競争力のあるネットワーク性能をもたらすことを示す。 我々の研究は、アナログニューロモルフィックハードウェア上での低エネルギースパイクネットワーク処理のための新しいベンチマークをいくつか設定する。
  論文  参考訳（メタデータ） (2020-06-12T14:45:12Z)
• MuBiNN: Multi-Level Binarized Recurrent Neural Network for EEG signal Classification [0.34410212782758043]
  本稿では,計算量を大幅に削減し,完全精度のLSTMにかなり近い精度を確保した多段二項化LSTMを提案する。 本手法は3ビットLSTMセル動作47*の遅延を0.01%未満の精度で低減する。
  論文  参考訳（メタデータ） (2020-04-19T17:24:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。