基于高性能边缘 CNN 加速器的便携式注意力改善神经反馈训练系统

基于摘要分析。研究针对现有神经反馈训练（NFT）依赖计算机等非便携设备、应用场景受限的问题，提出集成可穿戴生理信号采集、边缘 CNN 推理与严肃游戏反馈的便携式系统，并通过单盲对照实验评估其注意力训练效果。 技术流程上，系统使用柔性头带和贴片实时采集训练者的单通道 EEG 与 ECG 信号，通过小波包分解进行分解和去噪，再由 CNN 对处理后的信号进行分类。作者设计 AI 加速器运行该模型，并将分类结果实时反馈到严肃游戏中，形成注意力调节闭环。摘要未明确分类目标、标签来源、EEG 与 ECG 的融合方式，也未提供 CNN 结构、训练与推理协议或反馈规则，相关细节尚未验证。 作者报告，在所述单盲对照实验中，使用该系统训练的被试注意力水平显著改善（p < 0.05），注意力相关 EEG 指标 theta/beta ratio 平均下降 21.85%。摘要未说明显著性检验对应组间差异还是组内前后变化，也未交代该比值下降的参照条件，因此不能将两项结果直接解释为相对对照组的改善幅度，亦不能据此推断对注意力缺陷疾病的临床疗效。 其具体阅读价值在于便携式闭环系统的软硬件整合，而不仅是离线信号分类。复现需进一步核对被试特征与数量、对照条件、盲法实施、训练时长、注意力测量工具，以及信号采样与预处理参数、模型数据划分和硬件实现。加速器延迟、功耗、资源占用、分类性能、消融及统计信息尚未验证；这些信息决定便携性、实时反馈质量与训练效果能否得到独立复现。