近日，北京理工大学的研究团队在《国家科学评论》（National Science Review）上发表了一项重要进展，展示了一种基于类脑计算（Neuromorphic Computing）的全新硬件架构。该研究旨在解决情感脑机接口（aBCI）在可穿戴设备落地过程中的高能耗与高延迟瓶颈，为实时精神状态监测提供了全新的解决方案。
传统脑电图（EEG）分析通常依赖深度卷积或循环神经网络，这些模型需要高精度的浮点运算和同步时钟周期，导致即使在脑电数据不含有效情感信息时，系统仍需持续消耗大量电力。相比之下，北京理工大学研发的动态自适应脉冲神经网络（DA-SNN），通过模拟生物神经元的脉冲发放机制，实现了按需计算。
该系统核心架构由DA-SNN与全局异步局部同步（GALS）硬件加速器组成。在处理流程上，系统先进行时空谱映射，计算离散时间窗口内的功率谱熵；随后通过特征门控模块过滤背景噪声，将显著的频谱激活转化为稀疏的单脉冲事件。这种设计确保每个人工神经元在单次推理周期内至多发射一个脉冲，平均神经元发放率仅为35%，较传统稠密网络降低了约50%的计算负担。
为了进一步实现节能，研究团队在Xilinx Zynq-7020 FPGA平台上部署了GALS架构。该硬件摒弃了传统的全局同步时钟，采用了请求-应答握手机制，仅在脉冲事件到达时激活相应的处理逻辑。在静默期，硬件逻辑保持不加电状态。测试结果显示，该系统的推理延迟仅为18微秒，单次推理能耗低至2.66微焦耳，相较于标准EEGNet架构，其能量消耗降低了97.5%。
在性能验证方面，研究团队使用了SEED、SEED-IV、SEED-V、DEAP及DREAMER等五个主流情感数据集进行全面评估。该系统表现出极高的鲁棒性，不仅在SEED数据集上达到了96.85%的最高情感分类准确率，还能有效抵抗高斯噪声、低频传感器漂移及肌电伪影（如眨眼等干扰），即便在将权重量化至8位精度后，识别准确率也几乎没有衰减，充分证明了其在商业嵌入式边缘计算芯片中的应用潜力。
这一突破性设计成功将情感解码任务从服务器集群搬到了微型、电池供电的可穿戴设备上，为未来全天候的情感障碍监测及辅助技术奠定了硬件基础。
Research supported by the National Natural Science Foundation of China’s National Major Research Instrument Development Project and the Brain Science and Brain-like Intelligence Technology–National Science and Technology Major Project.