Resumen

En los últimos años, el análisis de componentes independientes (ICA) se ha convertido en un estándar para identificar las dimensiones relevantes de los datos en neurociencia. El ICA es un método muy fiable para analizar los datos, pero es, computacionalmente, muy costoso. El uso de ICA para el análisis en línea de los datos, utilizado en las interfaces de computación del cerebro, los resultados son casi completamente prohibitivos. Nosotros mostramos un aumento con un coste casi nulo (una tarjeta de vídeo rápida) de la velocidad de ICA en unas 25 veces. Los datos del EEG, que son una repetición de muchas señales independientes en múltiples canales, son muy adecuados para el procesamiento mediante los procesadores vectoriales incluidos en las unidades gráficas. Hemos perfilado la implementación de este algoritmo y hemos detectado dos tipos principales de operaciones responsables del cuello de botella del procesamiento y que ocupan casi el 80% del tiempo de computación: las multiplicaciones vector-matriz y matriz-matriz. Al sustituir las llamadas a funciones básicas de álgebra lineal por las rutinas CUBLAS estándar proporcionadas por los fabricantes de GPU, no aumenta el rendimiento debido a la sobrecarga de lanzamiento del kernel de CUDA. En cambio, desarrollamos una solución basada en la GPU que, comparada con las versiones originales de BLAS y CUBLAS, obtiene un aumento de 25 veces el rendimiento para el cálculo de ICA.

• Materias:Ingeniería biomédica Cerebro - fisiopatología Imagen por resonancia magnética Neurofisiología Neurociencias
• Subjects:Biomedical engineering Brain - pathophysiology Magnetic resonance imaging Neurophysiology Neurosciences
• Palabras claves:uso de ica, rutina cublas estándar, lanzamiento del kernel cuda, análisis de componentes independientes, aumento del rendimiento, velocidad de ica, función de álgebra lineal, tarjeta de vídeo rápida, datos, muchas señales independientes
• Keywords:use of ica, standard cublas routine, cuda kernel launch, independent components analysis, increase of performance, speed of ica, linear algebra function, rapid video card, data, many independent signal