跳到正文
只看在线与系统算法#Wearable EEG
9月18日周五
  1. OpenReview · EEG78

    用于 EEG 闭环资源高效睡眠分期的前缀自适应与效用感知停止

    基于摘要分析。研究针对可穿戴睡眠分期中持续 EEG 采集的资源开销，提出 Prefix-Adaptive and Utility-Aware Stopping（PAUSE），将当前睡眠分期时段的提前停止与传递给后续时段的历史记忆纳入同一闭环，以应对提前停止引起的历史截断及推理分布偏移。 摘要指出，早期时间序列分类（ECTS）通常将停止决策视为只影响当前实例，但连续睡眠分期时段相互依赖：当前时段提前结束采集，会改变后续时段可使用的历史；若模型仅在完整历史上训练，推理时就可能遭遇策略诱导的协变量偏移。PAUSE 的效用感知有限时域停止器，比较停止风险与预期继续风险加采集成本；因果端点记忆骨干使用前序时段在策略决定的停止点处形成的摘要；成对历史训练结合完整历史与随机截断历史，降低模型对历史截断的敏感性。具体风险定义、成本设定、训练目标及截断采样方式尚未验证。 作者报告，在四个公共数据集上，相比其所称的最先进 ECTS 基线，PAUSE 将 macro-F1 与采集量的权衡前沿提高 11.4–13.7 点，同时所需 EEG 量减少 5.5–7.4 倍。摘要未提供数据集名称、被试数、被试内或跨被试划分、前沿提升的计算方法，以及 EEG 量的计量口径，因此不能将这些数字解读为已确认的跨被试泛化收益或设备能耗降幅。 复现重点是核对停止策略与历史记忆是否在训练和推理中一致衔接，并确认停止器、端点记忆和成对历史训练各自的贡献。实验协议、消融及统计信息尚未验证；代码与实际设备资源测量情况也尚未确认。该工作的直接对象是 EEG 睡眠分期与按证据停止采集，而非已验证的通用 BCI 控制算法。

    阅读价值：值得核对其将当前采集停止与后续历史记忆联合建模的机制，以及成对历史训练能否在不同睡眠数据与评估协议下稳定改善 macro-F1 与采集量的权衡。

3月1日周日
  1. OpenReview · EEG72

    MAMILS：面向实时嵌入式 EEG 抑郁症诊断的内存感知多目标调度器

    基于摘要分析。该研究针对可穿戴 EEG 抑郁症检测中板载 AI 模型计算需求较高、嵌入式多核处理器资源受限的问题，提出 Memory-Aware Multi-Objective Iterative Local Search（MAMILS）算法，通过优化任务调度提升模型部署效率。其贡献重点是部署与资源调度优化，而非摘要已明确验证的新型抑郁症分类模型。 技术机制方面，MAMILS 将内存感知与多目标迭代局部搜索用于任务调度，以应对不同 AI 模型结构带来的资源分配复杂性。摘要涉及总能耗（TEC）、任务总完成时间（Makespan）和吞吐量（Throughput）三个性能指标，但内存约束的表示方式、任务依赖结构、目标权衡、搜索邻域及停止条件尚未验证；也无法确认调度在离线还是运行时执行。 作者报告，在七个 AI 模型的实验中，TEC 平均降低 47.57%，Makespan 平均降低 48.75%，Throughput 平均提高 198.37%，同时维持 ML 与 DL 模型的分类表现。上述数字对应摘要中的跨模型平均结果，但比较基线、硬件配置、工作负载与平均方式未明确，不能据此直接推断其他设备上的收益。作者另报告，板载部署的 EEGNeX 达到 Accuracy 93.4%、Sensitivity 91.6%、Specificity 95.8%；数据集、被试数、数据划分及被试内或跨被试协议尚未验证，因此这些指标不足以确认临床泛化能力。 复现时应核对处理器与内存配置、模型版本、任务映射、能耗测量边界、实时延迟要求及调度开销，并确认分类性能与调度收益是否在一致的测试条件下获得。实验协议、消融及统计信息尚未验证，代码与实现可得性亦尚未验证。作者认为该策略有望支持低功耗实时抑郁症检测系统，但摘要中的工程性能结果不等同于临床有效性验证。

    阅读价值：值得阅读其将内存约束纳入嵌入式多核 EEG 模型调度的机制，并复核作者报告的能耗、完成时间及吞吐量收益是否在明确硬件与对照条件下成立。

1月1日周一
  1. OpenReview · EEG70

    嵌入式 HMP 上 EEG 应用的准确率权衡特性分析

    基于摘要分析。该研究针对电池供电的可穿戴 EEG 设备在长期连续处理时受到能量与计算资源限制的问题，考察如何利用 EEG 应用处理流程的误差容忍性，在嵌入式异构多核平台（HMP）上调节近似计算并评估准确率、性能与功耗之间的权衡。主要贡献是对三类 EEG 应用开展真实硬件上的组合评估，而非提出新的 EEG 解码算法。 作者报告，研究在 Odroid XU3 嵌入式 HMP 测试平台上分析了 Epileptic Seizure Detection（癫痫发作检测）、Sleep Stage Classification（睡眠分期）和 Stress Detection（压力检测）的误差容忍性，并考察不同近似程度、功耗及性能水平下的权衡。其核心思路是在应用能够容忍一定计算误差的条件下探索资源节约空间，但摘要未说明近似计算作用于哪些处理环节、采用何种具体技术，也未给出准确率变化、运行性能或功耗收益的数值，因此不能据此认定存在特定幅度的部署收益。 复现与应用评估需核对各任务的数据集、被试组成、被试内或跨被试划分、准确率定义、完整计算基线、近似设置，以及硬件配置和功耗测量边界。还需区分不同任务对误差的容忍程度，不能将一种应用的准确率—功耗权衡直接推广到其他 EEG 任务。上述实验协议、消融及统计信息尚未验证；摘要也不足以支持对临床可靠性或 BCI 在线控制效果的判断。

    阅读价值：该研究值得关注的具体价值是，在真实嵌入式 HMP 平台上联合考察 EEG 应用的近似计算、准确率、性能与功耗，为可穿戴端部署的资源配置提供评估思路；具体收益与适用边界尚未验证。

  2. OpenReview · EEG77

    利用 EEGformer 降低可穿戴癫痫发作检测的误报：面向 MCU 的紧凑 Transformer 模型

    基于摘要分析。研究针对可穿戴设备长期连续监测 EEG 时的癫痫发作自动检测问题，提出紧凑 Transformer 模型 EEGformer，仅使用颞区通道，并通过面向硬件的设计探索兼顾检测延迟、误报率及低功耗 MCU 部署需求。 技术机制：摘要将 Transformer 用于无需手工特征提取的端到端时间序列处理，核心贡献在于将少通道采集条件与端侧计算约束纳入模型设计。具体网络结构、输入窗口、损失函数、训练策略及硬件优化方法尚未验证，不能据摘要判断性能收益分别来自模型设计、预处理还是检测后处理。 检测结果：作者报告，在 CHB-MIT 数据集上，相较于面向颞区采集的现有最先进模型，发作起始检测延迟降低 20%，同时达到 73% 的癫痫发作检测概率和每小时 0.15 次误报（FP/h）。摘要未给出对照模型名称、绝对延迟、被试内或跨被试协议及数据划分，因此这些结果应限定于作者所用评估条件。作者另报告，在一个新的、具有挑战性的头皮 EEG 数据集上，检测到 88% 的标注发作事件，误报率为 0.45 FP/h；该数据集名称、被试规模和评估划分尚未验证，两组结果不能直接比较。 部署结果：作者在单核 Apollo4 MCU 以及并行 GAP8、GAP9 MCU 上评估部署，报告最节能的 GAP9 实现每次推理耗时 13.7 ms、能耗 0.31 mJ。作者据此认为模型可支持少通道、具有多日续航的可穿戴检测系统；但单次推理指标不等于整机续航实测，推理频率、采集与通信功耗及电池条件仍需核对。 复现重点是确认颞区通道配置、连续记录的训练与测试划分、发作事件匹配规则、误报统计时长，以及检测阈值对检出概率、误报率和延迟的影响。实验协议、消融及统计信息尚未验证，代码与部署资源的可用性也尚未确认。该研究属于 EEG 临床监测算法与端侧部署研究，摘要中的检测结果不应直接视为临床有效性验证。

    阅读价值：值得阅读的具体原因是，作者将颞区少通道 EEG 癫痫发作检测的误报率、检测延迟与 MCU 推理能耗联合评估，为可穿戴端侧模型的设计提供了可核对的参考，但数据划分和检测协议仍需全文验证。

  3. OpenReview · EEG74

    面向可穿戴 BCI 低功耗实时 EEG 分类的优化 EEGNet 处理器

    基于摘要分析。该研究针对既有 EEGNet 处理器采用高精度定点数所带来的功耗和资源开销，提出低精度 EEGNet（LPEEGNet）处理器，通过算法量化与硬件架构协同优化，支持可穿戴 BCI 的低功耗实时 EEG 分类。 算法方面，作者通过低精度量化将 EEGNet 重构为 LPEEGNet；摘要未提供量化位宽、量化训练方式或各层精度配置。硬件方面，处理器采用数据驱动处理流程，以层融合构建异构流式架构，利用全局特征图存储改善访存效率，并结合层间并行与层内流水线提升推理效率。其可核对的技术重点是低精度计算、数据搬运与并行调度的联合设计，而不只是压缩模型。 作者报告，在 FPGA 实验中，相比摘要所称的最先进 EEGNet 处理器，该实现的功耗、LUT 利用量和推理延迟分别降低 52.6%、36.2% 和 25.8%；作者另报告，在一个 ERP 数据集上的 Accuracy 为 93.06%。摘要未明确数据集名称、被试数、被试内或跨被试评估协议、数据划分及对照处理器配置，因此这些结果只能在原文所述实验范围内理解，不能直接与其他协议下的分类结果比较。作者据此认为该处理器更适合可穿戴 BCI，但实际可穿戴系统中的收益仍需结合完整实验条件核对。 复现时需确认量化配置及精度变化、FPGA 型号与运行频率、功耗测量范围、延迟计量口径，以及对照实现是否采用可比的网络与硬件条件。实验协议、消融及统计信息尚未验证；摘要也不足以确认端到端在线 BCI 的实时性表现。

    阅读价值：该研究将 EEGNet 低精度量化与 FPGA 流式架构联合优化，值得核对其分类精度、功耗和延迟之间的权衡，尤其是量化配置与硬件对照条件。

1月1日周六
  1. OpenReview · EEG73

    EEGformer：面向低通道数可穿戴连续监测设备的基于 Transformer 的原始 EEG 癫痫检测

    基于摘要分析。该研究针对长期连续癫痫监测对低误报、佩戴舒适性和低功耗的要求，提出紧凑的 Transformer 模型 EEGformer，直接使用四个颞区通道的原始 EEG 进行癫痫发作检测，并在微控制器（MCU）上验证实时推理的可行性。 核心思路是利用 Transformer 捕捉时间序列中的长程依赖，减少对针对特定数据设计的手工特征的依赖。摘要未提供输入窗口、具体模型结构、损失函数、训练策略或预处理细节，因此不能据此认定信号完全未经预处理。 作者报告，在所检查的八名患者的癫痫发作事件中，模型检出率为 73%；仅考虑其中六名患者时，事件检出率为 100%，不能将这一子集结果推广到全部患者。作者报告平均发作起始检测延迟为 15.2 秒，误报率为 0.8 FP/h；多数测试获得 100% 特异性，但 40 次测试中有 5 次异常表现，作者将其主要归因于 EEG 伪迹。事件检出率、特异性与每小时误报率反映不同层面的表现，不应相互替代。被试内或跨被试协议、数据划分以及各指标的统计口径尚未验证。 作者以 CHB-MIT Scalp EEG 数据集为参照，与针对目标数据集设计手工特征的先进分类器比较，报告准确性结果接近、发作起始检测延迟降低超过 20%；与两种经优化的卷积神经网络方法比较，作者报告在全部准确性指标上更优。具体基线、指标数值、消融及统计信息尚未验证。 部署方面，作者报告模型在 Ambiq Apollo4 MCU、96 MHz 工作频率下，单次推理耗时 405 毫秒、能耗 1.79 毫焦耳。这支持其嵌入式推理可行性，但不等于已验证整机长期续航或临床连续监测安全性。复现需进一步核对通道选择、窗口与报警规则、患者级划分、伪迹处理，以及推理数值精度和资源占用；代码与权重可用性尚未验证。

    阅读价值：值得阅读的具体原因是作者同时报告了四通道原始 EEG 癫痫发作检测表现与 MCU 实测时延、能耗，可用于核对低功耗连续监测中检测灵敏度、误报和部署成本的权衡，但临床适用性尚未验证。