A szűrők sávszélességének hatása az SNN-alapú kulcsszó-felismerésre: háromszög és keskenysávú szűrő összehasonlítása neuromorf MEMS-szenzor tervezéshez

Abstract

Ebben a cikkben javaslatot teszünk az impulzus alapú neurális hálózatokkal (SNN) megvalósított neuromorf beszédfelismerésre, amelynek célja a hagyományos mélytanulási megközelítésekhez képest az energiahatékony megvalósítás. Spirál alakú konzolos megközelítésünk tervezése során azonban fontos tervezési szempont annak megértése, hogyan befolyásolja az osztályozási teljesítményt a (magas jósági tényezők által korlátozott) keskeny szűrősávszélesség. Jelen cikk a szűrő sávszélességének hatását vizsgálja az SNN-alapú beszédosztályozásra, összehasonlítva a standard háromszög (változó sávszélességű) szűrőket a MEMS gyártási korlátjaihoz optimalizált keskeny sávú (58,6 Hz állandó sávszélességű) szűrőkkel. A 35 szóosztályt tartalmazó Google Speech Commands adatbázis segítségével értékeljük az osztályozási teljesítményt, a precizitást (Precision), az érzékenység, az F1-pontszám és a pontosság (Accuracy) mutatói alapján. Eredményeink azt mutatják, hogy a háromszögszűrők 62,02% pontosságot érnek el, míg a keskeny sávszélességű szűrők 50,18% pontosságot, ami 11,84% teljesítménykülönbséget jelent. Bár ez a különbség nem elhanyagolható, a keskeny sávszélességű konfiguráció elegendő teljesítményt mutat a neuromorf szenzor megvalósításához. Ezek az eredmények gyakorlati tervezési útmutatást nyújtanak a frekvenciaszelektív konzolos rendszereket fejlesztő MEMS-mérnökök számára, és arra mutatnak rá, hogy a 60 Hz sávszélességű 10 csatornás rendszer megvalósítható első generációs neuromorf beszédérzékelőt képvisel.