論文の概要: Neuromorphic Deployment of Spiking Neural Networks for Cognitive Load Classification in Air Traffic Control

• arxiv url: http://arxiv.org/abs/2509.21345v2
• Date: Fri, 03 Oct 2025 14:35:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 14:21:29.889726
• Title: Neuromorphic Deployment of Spiking Neural Networks for Cognitive Load Classification in Air Traffic Control
• Title（参考訳）: 空気交通制御における認知負荷分類のためのスパイクニューラルネットワークのニューロモルフィック展開
• Authors: Jiahui An, Chonghao Cai, Olympia Gallou, Sara Irina Fabrikant, Giacomo Indiveri, Elisa Donati,
• Abstract要約: 本稿では,スパイキングニューラルネットワーク(SNN)のハードウェア実装を用いた実環境における認知負荷分類のためのニューロモーフィックシステム,空気交通制御(ATC)タスクを提案する。 オープンソースのデータセットから抽出されたEEGとアイトラッキング機能は、従来の機械学習モデルとSNNの両方をトレーニングし、評価するために使用された。 ニューロモルフィックハードウェアへの展開を可能にするため、モデルは量子化され、混合信号DYNAP-SEチップ上に実装された。
• 参考スコア（独自算出の注目度）: 1.2545957939431476
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a neuromorphic system for cognitive load classification in a real-world setting, an Air Traffic Control (ATC) task, using a hardware implementation of Spiking Neural Networks (SNNs). Electroencephalogram (EEG) and eye-tracking features, extracted from an open-source dataset, were used to train and evaluate both conventional machine learning models and SNNs. Among the SNN architectures explored, a minimalistic, single-layer model trained with a biologically inspired delta-rule learning algorithm achieved competitive performance (80.6%). To enable deployment on neuromorphic hardware, the model was quantized and implemented on the mixed-signal DYNAP-SE chip. Despite hardware constraints and analog variability, the chip-deployed SNN maintained a classification accuracy of up to 73.5% using spike-based input. These results demonstrate the feasibility of event-driven neuromorphic systems for ultra-low-power, embedded cognitive state monitoring in dynamic real-world scenarios.
• Abstract（参考訳）: 本稿では,スパイキングニューラルネットワーク(SNN)のハードウェア実装を用いた,実環境における認知負荷分類のためのニューロモーフィックシステムであるエアトラヒックコントロール(ATC)タスクを提案する。 従来の機械学習モデルとSNNの両方をトレーニングし、評価するために、オープンソースのデータセットから抽出された脳波(EEG)と視線追跡機能を使用した。 SNNアーキテクチャの中で、生物学的にインスパイアされたデルタルール学習アルゴリズムで訓練された最小限の単層モデルが競争性能(80.6%)を達成した。 ニューロモルフィックハードウェアへの展開を可能にするため、モデルは量子化され、混合信号DYNAP-SEチップ上に実装された。 ハードウェアの制約とアナログの可変性にもかかわらず、チップをデプロイしたSNNは、スパイクベースの入力を使用して最大73.5%の分類精度を維持した。 これらの結果は、動的実世界のシナリオにおいて、超低消費電力で組み込み認知状態監視のための事象駆動型ニューロモルフィックシステムの実現可能性を示している。

関連論文リスト

• EvSegSNN: Neuromorphic Semantic Segmentation for Event Data [0.6138671548064356]
  EvSegSNN は、Parametric Leaky Integrate と Fire のニューロンに依存した、生物学的に検証可能なエンコーダ-デコーダU字型アーキテクチャである。 本稿では,スパイキングニューラルネットワークとイベントカメラを組み合わせることによって,エンド・ツー・エンドのバイオインスパイアされたセマンティックセマンティックセマンティクス手法を提案する。 DDD17で実施された実験は、EvSegSNNがMIoUの観点から最も近い最先端モデルを上回っていることを示している。
  論文  参考訳（メタデータ） (2024-06-20T10:36:24Z)
• Adaptive Robotic Arm Control with a Spiking Recurrent Neural Network on a Digital Accelerator [41.60361484397962]
  本稿では,システムの概要と,Pynq ZUプラットフォーム上で使用するPythonフレームワークについて述べる。 シミュレーションされた精度は,毎秒380万イベントのピーク性能で維持されていることを示す。
  論文  参考訳（メタデータ） (2024-05-21T14:59:39Z)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• PC-SNN: Predictive Coding-based Local Hebbian Plasticity Learning in Spiking Neural Networks [9.026880521552153]
  Spiking Neural Networks (SNN) は、脳の情報処理を非並列な生物学的確率でエミュレートする。 そこで我々は,PC-SNNを提案する。PC-SNNは,予測符号化をSNNと統合し,生物学的に可塑性,局所的なヘビアン可塑性を実現する学習フレームワークである。
  論文  参考訳（メタデータ） (2022-11-24T09:56:02Z)
• Convolutional Spiking Neural Networks for Detecting Anticipatory Brain Potentials Using Electroencephalogram [0.21847754147782888]
  スパイキングニューラルネットワーク(SNN)は、生体系におけるシナプス接続を模倣しスパイクトレインを発生させるため、注目を集めている。 近年,畳み込みネットワークの特徴抽出能力とSNNの計算効率を組み合わせた畳み込み層が導入された。 本稿では、畳み込みスパイクニューラルネットワーク(CSNN)を用いて、予測速度の遅い大脳皮質電位を検出することの実現可能性について検討する。
  論文  参考訳（メタデータ） (2022-08-14T19:04:15Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Multi-Sample Online Learning for Probabilistic Spiking Neural Networks [43.8805663900608]
  スパイキングニューラルネットワーク(SNN)は、推論と学習のための生物学的脳の効率の一部をキャプチャする。 本稿では,一般化予測最大化(GEM)に基づくオンライン学習ルールを提案する。 標準ニューロモルフィックデータセットにおける構造化された出力記憶と分類実験の結果,ログの類似性,精度,キャリブレーションの点で大きな改善が見られた。
  論文  参考訳（メタデータ） (2020-07-23T10:03:58Z)
• Progressive Tandem Learning for Pattern Recognition with Deep Spiking Neural Networks [80.15411508088522]
  スパイキングニューラルネットワーク(SNN)は、低レイテンシと高い計算効率のために、従来の人工知能ニューラルネットワーク(ANN)よりも優位性を示している。 高速かつ効率的なパターン認識のための新しいANN-to-SNN変換およびレイヤワイズ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-02T15:38:44Z)
• Recurrent Neural Network Learning of Performance and Intrinsic Population Dynamics from Sparse Neural Data [77.92736596690297]
  本稿では,RNNの入出力動作だけでなく,内部ネットワークのダイナミクスも学習できる新しいトレーニング戦略を提案する。 提案手法は、RNNを訓練し、生理学的にインスパイアされた神経モデルの内部ダイナミクスと出力信号を同時に再現する。 注目すべきは、トレーニングアルゴリズムがニューロンの小さなサブセットの活性に依存する場合であっても、内部動力学の再現が成功することである。
  論文  参考訳（メタデータ） (2020-05-05T14:16:54Z)

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。