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。