RAISE：用于被试独立 EEG 信号分类的电阻式加速器

基于摘要分析。该研究针对 EEG 分类模型依赖同一被试训练与测试，以及边缘设备算力和功耗受限的问题，提出面向被试独立分类的紧凑神经网络，并与基于电阻式存储器的低功耗存内计算推理加速器 RAISE 协同设计。 算法方面，作者提出通过紧凑网络识别不同被试之间共同且稳定的结构，以支持跨被试 EEG 分类，并称该模型可用较小额外开销扩展到多种 BCI 任务。摘要未说明共享结构如何提取，也未提供具体网络结构、损失函数、训练流程或任务扩展方式，因此尚不能判断其跨被试能力主要来自何种机制。 硬件方面，RAISE 利用电阻式存储器实现存内计算推理，研究重点是将分类模型与低功耗硬件实现共同优化，而不只是提出新的 EEG 分类器。摘要未给出器件参数、数值精度、模型映射方式以及硬件非理想性处理细节，这些条件对复现能效与分类表现都很重要。 作者报告，在多种 BCI 范式的比较中，所提模型取得最佳被试独立分类 Accuracy，但摘要未提供任务、数据集、被试数、训练与测试划分、具体数值或算法基线。作者另报告，相较于其采用的先进电阻式推理加速器基线，RAISE 实现 2.8× 功耗降低和 2.5× 每瓦性能提升；这些结果仅能在原研究的硬件评估条件下解读，不能直接外推到实际 BCI 设备。 复现时需核对跨被试划分与训练数据使用范围、不同任务的适配开销，以及硬件比较中的工作负载、精度、吞吐率和功耗统计边界。实验协议、消融及统计信息尚未验证。