面向低功耗 EEG 认知负荷分析：一种神经形态计算方法

基于摘要分析。该研究面向可穿戴边缘设备上的实时 EEG 认知负荷评估，以脉冲神经网络和神经形态计算降低深度学习模型的内存、计算与能耗需求。作者设计了两种脉冲网络架构，并在公开认知负荷数据集 EEGMAT 和 STEW 上进行测试。 核心思路是利用脉冲神经网络支持低功耗推理，回应电池供电、低计算能力和低内存设备的部署约束。摘要未披露 EEG 到脉冲的编码方式、网络结构、训练方法、损失函数或推理硬件，因此尚不能判断资源节省分别来自哪些机制，也不能确认其是否已在实际可穿戴 EEG 设备上验证。 作者报告，在 EEGMAT 和 STEW 的测试中，未对 EEG 信号进行伪迹去除，分类准确率与已有方法相当；但摘要未给出具体 Accuracy、对照方法、被试数及被试内或跨被试划分。作者还报告，相对既有方案，模型内存需求约降低 8 倍、计算成本约降低 10³ 倍，每次推理能耗最高为 0.33 μJ。摘要另称神经形态计算范式有望带来至少 10⁴ 倍的能耗降低，但未说明这一表述与模型实测结果的关系，不能将其直接视为已验证的设备级节能效果。 复现时需核对两个数据集的任务标签、分窗与划分协议、对照基线、脉冲编码及训练配置，并确认资源统计是否计入信号处理、编码和数据传输，以及能耗来自硬件测量还是估算。未进行伪迹去除这一实验条件，也不能单独证明模型对伪迹具有鲁棒性。实验协议、消融及统计信息尚未验证；认知负荷分类结果亦不等同于完整 BCI 系统的在线有效性。