5.2 Szuperszámítástechnika a tudományos kutatásban, fejlesztésben és innovációban (beszámolók, eredmények, demók)

Az EEG képalkotás lehetővé teszi az emberi agyban lejátszódó folyamatok milliszekundum felbontású vizsgálatát. A sokcsatornás EEG elterjedését megnehezíti a tény, hogy a szükséges jelfeldolgozó algoritmusok végrehajtási ideje nagy. A cikkünk egy Laplace térképezésre alapuló agyi képalkotó módszert mutat be, amelynek központi része egy nagyfokúan párhuzamos GPU Laplace implementáció. Bemutatjuk a feldolgozási folyamat lépéseit, majd a felületi Laplace algoritmust, amely a fejbőrön mért potenciál értékekből gömbi spline interpoláció segítségével számolja ki a felszíni forrás sűrűséget, ami közelítő becslést ad a cortex lokális aktivitására. A számítási költséget egy ún. ujjbillentéses vizsgálattal illusztráljuk, melyben egy öt másodperces mérést értékelünk ki. A legelterjedtebb Matlab CSD Toolkit-ben ennek az intervallumnak a kiszámítása, a konfigurációs paraméterek értékétől függően, 25-140 másodpercig tart. Megvizsgáltuk a GPU kártyák felhasználását ezen alapvető algoritmus felgyorsítására. Az eredményeink az igazolják, hogy lehetséges valós-idejű számítási sebességet elérni a Laplace számítás során. Egy 448 magos NVIDIA GTX480 kártyán az 5 mp-es intervallum kiszámítása 800-4000 msec alatt futott le. Folyamatban vannak a mérések egy 1344 és egy 2048 magos kártyán is.

GPU-based real-time Laplace imaging for EEG evaluation

EEG imaging has the potential to give insight into the activity of the human brain at sub millisecond resolution. The widespread use of EEG as a routine diagnostic tool, however, is severely limited by the high computational cost of the required background calculations. Our paper describes an EEG imaging method based on Laplacian mapping and its massively parallel GPU implementation. First, the fundamental steps of the processing workflow are described, then the surface Laplacian algorithm is introduced and analyzed. The computational cost is illustrated with a so-called finger-tapping experiment, in which a 5-second activity is measured. The routinely used Matlab CSD Toolkit calculates the Laplacian map for this interval takes between 25 and 140 seconds depending on the configuration parameters used. We have investigated the use of the massively parallel graphics processors of current video cards for speeding up this fundamental computational task. Our results indicate that it is possible to achieve real-time processing speed for the Laplacian computation. Execution time measured for the 5-second interval Laplacian were between 800 and 4000 msec on a 448-core NVIDIA GTX480 card depending on parameters. Measurements with a 1344-core NVIDIA Quadro K4200 and a 2048-core GTX 980 are in progress and these results will be included in the final paper. Our paper describes the parallel implementation and the developed software architecture as well as illustrates the effective use of the GPU architecture as well as performance optimization methods that lead to this level of performance. A major advantage of our method is that unlike the CSD toolkit that works on the entire interval data set, it is based on a stream-processing model that allows the Laplacian to be computed for individual samples.