边缘—雾计算支持的基于非对称变分离散余弦变换网络的 EEG 数据压缩

基于摘要分析。该研究针对 BCI 系统产生的大量 EEG 数据在带宽受限 IoT 网络中的快速传输问题，提出边缘—雾计算框架下的多通道非对称变分离散余弦变换（DCT）网络，将边缘端压缩与雾端特征融合、信号重建分工处理。 核心机制方面，边缘端采用低复杂度 DCT 压缩单元，通过并行的可训练硬阈值与缩放算子去除冗余数据、提取有效潜在表示。雾端利用自适应滤波器组，将相邻通道的重要特征融合到各个通道中，以利用通道间相关性；随后采用基于逆 DCT 重建的多头注意力捕捉局部与全局依赖，重建原始信号。作者还依据变分推断构建新的证据下界（ELBO）作为损失函数，以平衡压缩效率与重建准确性；其具体数学形式及优化设置尚未验证。 作者报告，在两个公共数据集上的实验中，该方法相较于所比较的先进技术取得更优压缩表现，且未损失用于 BCI 检测的有用信息。摘要未提供数据集名称、被试数、划分协议、压缩指标、重建误差、下游检测任务与指标或具体对照方法，因此这一信息保留结论目前只能作为作者报告，不能据此认定任意 BCI 任务均不受压缩影响。 复现与部署评估需核对边缘端实际计算开销、压缩率与重建质量的权衡、雾端推理及通信延迟，以及通道间相关性变化对重建和下游检测的影响。实验协议、消融及统计信息尚未验证，代码与实现条件也尚未验证。