面向可穿戴传感器数据的任务感知压缩

基于摘要分析。该研究针对可穿戴及植入式设备资源受限、传感器数据传输负担较大的问题，提出任务感知压缩框架 task-aware compression（TAC），在降低数据维度时同时考虑下游任务与信号重建，并以 EEG 癫痫发作预测进行评估。 核心机制是使用由神经网络训练的可学习压缩矩阵，提取任务相关特征并形成低维表示；压缩后的数据用于任务分析和高保真重建。其方法特点是将任务需求纳入压缩过程，而非仅围绕重建目标描述压缩效果。摘要未交代压缩矩阵的约束、网络结构、任务与重建损失的具体形式及权重，也未说明训练与设备端推理如何分配，相关实现尚未验证。 作者报告，在 EEG 癫痫发作预测评估中，压缩比例为 1/16 时，传输与数据分析相关功耗的最大降幅超过 90%，预测 Accuracy 下降低于 3%。摘要未明确该下降是相对百分比还是百分点，也未给出未压缩基线的 Accuracy、功耗测量或估算方式及硬件条件，因此不能将这些数字直接推广到其他设备或任务。高保真重建是摘要所述用途，但具体重建指标尚未验证。 数据集、被试数量、被试内或跨被试划分、发作预测时间窗、对照方法、实验协议、消融及统计信息尚未验证。该研究直接涉及 EEG 压缩与癫痫发作预测，不等同于已验证的 BCI 解码改进；复现时应重点核对压缩比例定义、任务性能与重建质量的权衡，以及压缩计算本身是否计入总功耗。