论文页面 - 面向边缘设备低延迟脑电分类的可微分逻辑门网络

来源：https://huggingface.co/papers/2607.18149

摘要

在边缘设备上对脑电图（EEG）进行实时分类，其瓶颈在于传统神经网络所需的浮点运算。我们研究了可微分逻辑门网络（Diff-Logic）这一硬件原生替代方案，它能将模型编译为纯布尔电路，并通过CPU的按位运算执行。通过在跨越两项分类任务（二分类痴呆检测和三分类情绪识别）的四个EEG数据集上进行严格的等参数实验，我们在四个复杂度层级（5万-50万参数）上，将Diff-Logic与同等容量的多层感知器（MLP）和二元神经网络（BNN）基线进行了对比。在痴呆筛查任务中，Diff-Logic取得了80.2%的宏F1分数，比MLP基线高出6.8%。在情绪识别任务中，MLP保持了适度的性能优势，但在部署到功耗受限（7W）的Nvidia Jetson Orin Nano CPU（单核）上时，其延迟高出2.3倍，模型大小高出14倍。关键的是，Diff-Logic的推理时间在模型规模增大10倍的情况下几乎保持不变，在最大复杂度层级上相比MLP实现了2.9倍的峰值加速。我们的结果表明，基于逻辑的神经架构是资源受限型脑机接口的一种实用范式，它能在满足便携式边缘部署的延迟和内存约束的同时，达到具有竞争力或更优的性能。代码已开源在GitHub：https://github.com/Shyamal-Dharia/eeg-difflogic

查看arXiv页面 (https://arxiv.org/abs/2607.18149)查看PDF (https://arxiv.org/pdf/2607.18149)GitHub2 (https://github.com/Shyamal-Dharia/eeg-difflogic)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2607.18149)

在您的Agent中获取此论文：

hf papers read 2607.18149

没有最新CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型0

没有模型关联此论文

请在模型README.md中引用 arxiv.org/abs/2607.18149 以从此页面建立链接。

引用此论文的数据集0

没有数据集关联此论文

请在数据集README.md中引用 arxiv.org/abs/2607.18149 以从此页面建立链接。

引用此论文的Space0

没有Space关联此论文

请在Space README.md中引用 arxiv.org/abs/2607.18149 以从此页面建立链接。

包含此论文的收藏集0

没有收藏集包含此论文

请将此论文添加到一个收藏集 (https://huggingface.co/new-collection) 以从此页面建立链接。