跳到正文

算法、任务与模态

Lightweight Networks 最新动态

Lightweight Networks 研究索引；按可核对的标签归档，不以热度评价质量。

65 条精选近 30 天 15 条共收录 84 条

更新

精选归档 · 第 4 页

1月1日周日第 61–65 条
  1. OpenReview · EEG71

    EEG 运动想象解码：基于通道注意力机制的比较分析框架

    基于摘要分析。该研究面向 BCI 中的 EEG 运动想象解码，构建可统一集成多种通道注意力机制的轻量架构，以比较这些机制对解码性能及计算开销的影响。核心贡献是提供共同的比较框架，而非仅在复杂架构中评估一种注意力机制。 作者将通道注意力视为传统运动想象空间滤波方法的一种演进，并强调基线结构简洁、不同注意力模块易于接入。该设计有助于在相同框架条件下考察模块收益；但摘要未说明具体注意力方法、作用于原始 EEG 通道还是中间特征通道，以及网络结构、损失与训练设置，这些细节尚未验证。 作者报告在四个数据集上开展实验，框架表现出较好的有效性与跨数据集适用性，通道注意力能够在维持较小内存占用和较低计算复杂度的同时改善性能。摘要未提供数据集名称、被试数量、指标数值、计算开销测量或数据划分，因此不能量化增益，也不能把多个数据集上的有效性直接视为 Cross-dataset 迁移验证。 复现时值得核对统一基线下各注意力模块的训练与调参条件、被试内或跨被试等评估协议，以及性能增益与参数量、内存和计算成本之间的关系。实验协议、消融及统计信息尚未验证；代码与复现资源也需由全文或来源记录确认。

    阅读价值：值得阅读的具体原因是将多种通道注意力机制置于统一轻量基线中比较，有助于核对注意力本身的收益与计算开销，而非将复杂架构的整体增益归因于单一模块。

1月1日周六
  1. OpenReview · EEG73

    EEGformer：面向低通道数可穿戴连续监测设备的基于 Transformer 的原始 EEG 癫痫检测

    基于摘要分析。该研究针对长期连续癫痫监测对低误报、佩戴舒适性和低功耗的要求，提出紧凑的 Transformer 模型 EEGformer，直接使用四个颞区通道的原始 EEG 进行癫痫发作检测，并在微控制器（MCU）上验证实时推理的可行性。 核心思路是利用 Transformer 捕捉时间序列中的长程依赖，减少对针对特定数据设计的手工特征的依赖。摘要未提供输入窗口、具体模型结构、损失函数、训练策略或预处理细节，因此不能据此认定信号完全未经预处理。 作者报告，在所检查的八名患者的癫痫发作事件中，模型检出率为 73%；仅考虑其中六名患者时，事件检出率为 100%，不能将这一子集结果推广到全部患者。作者报告平均发作起始检测延迟为 15.2 秒，误报率为 0.8 FP/h；多数测试获得 100% 特异性，但 40 次测试中有 5 次异常表现，作者将其主要归因于 EEG 伪迹。事件检出率、特异性与每小时误报率反映不同层面的表现，不应相互替代。被试内或跨被试协议、数据划分以及各指标的统计口径尚未验证。 作者以 CHB-MIT Scalp EEG 数据集为参照，与针对目标数据集设计手工特征的先进分类器比较，报告准确性结果接近、发作起始检测延迟降低超过 20%；与两种经优化的卷积神经网络方法比较，作者报告在全部准确性指标上更优。具体基线、指标数值、消融及统计信息尚未验证。 部署方面，作者报告模型在 Ambiq Apollo4 MCU、96 MHz 工作频率下，单次推理耗时 405 毫秒、能耗 1.79 毫焦耳。这支持其嵌入式推理可行性，但不等于已验证整机长期续航或临床连续监测安全性。复现需进一步核对通道选择、窗口与报警规则、患者级划分、伪迹处理，以及推理数值精度和资源占用；代码与权重可用性尚未验证。

    阅读价值：值得阅读的具体原因是作者同时报告了四通道原始 EEG 癫痫发作检测表现与 MCU 实测时延、能耗，可用于核对低功耗连续监测中检测灵敏度、误报和部署成本的权衡，但临床适用性尚未验证。

1月1日周五
  1. OpenReview · EEG70

    用于 EEG-BCI 运动想象分类的 Sinc 卷积神经网络

    基于摘要分析。该研究针对运动想象 EEG 分类中常规 CNN 参数量较大、未显式学习频域特征的问题，提出轻量化架构 Sinc-EEGNet，将可学习带通滤波器与深度卷积滤波器结合，从原始 EEG 中联合学习特征与分类器。 机制与贡献：运动想象任务中的不同动作想象可通过 EEG 频带功率特征区分，本文将可学习带通滤波引入 CNN，使频率选择成为模型学习过程的一部分。其阅读价值在于把传统频带特征的领域先验与端到端学习结合；摘要将深度卷积作为架构组成部分，但未提供滤波器参数化细节、卷积层配置、参数量或训练损失，这些内容尚未验证。 结果与评估：作者报告，在公开的 BCI Competition IV Dataset 2a 上，Sinc-EEGNet 的分类 Accuracy 优于参考方法。摘要未给出具体数值、参考方法名称，以及被试内、跨被试或跨会话协议，因此尚不能量化提升幅度，也不能判断优势适用于哪些泛化条件。 复现与局限核对：需查阅全文确认数据划分、预处理、频带学习方式、训练设置及对照基线，并核对轻量化程度和各模块贡献。实验协议、消融及统计信息尚未验证；摘要也不足以判断其在低信噪比、小数据或跨被试条件下的稳定性。代码与完整复现条件尚未验证。

    阅读价值：值得阅读的具体原因是 Sinc-EEGNet 将可学习带通滤波与深度卷积结合，为运动想象 EEG 分类提供了兼顾频域特征学习与轻量化的明确设计路径，但其准确率优势及复现条件仍需全文核对。

  2. OpenReview · EEG75

    采用深度可分离卷积神经网络的灵活多通道 EEG 伪迹识别处理器

    基于摘要分析。该研究面向多通道 EEG 中非脑源性伪迹的识别，提出采用深度可分离卷积的节能网络及配套硬件架构，目标是在提高分类 Accuracy 的同时减少权重参数和运算量。其主要贡献是将伪迹识别模型与可参数化硬件结合，以适配不同 EEG 通道数、伪迹类别和计算资源。 方法方面，作者称模型不需要依赖专家知识进行特征提取或 EEG 预处理，并可按输入通道数和伪迹类别重新配置。硬件架构支持配置输入通道数、滤波器数、深度和数据位宽；处理引擎（PE）数量可在 1–16 之间调整，以改变延迟、吞吐量、功耗和能效。摘要未提供具体网络结构、训练损失、输入窗口或重配置后的训练方式，这些内容尚未验证。 识别结果方面，作者报告，在使用 64 通道 BioSemi ActiveTwo 设备采集的 EEG 数据上，针对 10 类伪迹、跨 17 名患者取平均的分类 Accuracy 为 93.14%。此处“跨患者取平均”不等同于 Cross-subject 测试协议，训练与测试划分尚未验证。作者另报告，在实验室使用 14 通道 Emotiv EPOC+ 设备采集的另一 EEG 数据集上，重新配置网络进行眼眨伪迹检测，Accuracy 为 93.5%；摘要不足以确认这是 Cross-dataset 直接迁移、重新训练还是微调后的结果。 硬件结果方面，作者报告，Xilinx Artix-7 FPGA 实现在不同 PE 配置下的平均动态能耗为 1.4–4.7 mJ，但摘要未明确该能耗对应的处理单位。在 65-nm CMOS 工艺的 ASIC 布局后实现中，作者报告能耗进一步降低 16.7 倍。相较部分既有工作，作者报告 FPGA 与 ASIC 实现的能效分别为对照的 1.7–5.15 倍和 8.47–25.79 倍；对照硬件、负载、精度及测量边界尚需核对，ASIC 布局后结果也不能直接视为实芯片测量。 复现应重点核对伪迹标注、类别分布、被试与时间窗口划分、设备间适配方式，以及是否保留有效脑活动。该工作验证的是伪迹识别，而非伪迹去除或下游 BCI 解码改善；实验协议、消融及统计信息尚未验证。

    阅读价值：值得阅读之处在于将可重配置的多通道 EEG 伪迹识别网络与参数化硬件实现结合，但识别精度的泛化能力及能效比较仍需核对数据划分、任务定义和硬件测量条件。

  3. OpenReview · EEG74

    RAISE：用于被试独立 EEG 信号分类的电阻式加速器

    基于摘要分析。该研究针对 EEG 分类模型依赖同一被试训练与测试，以及边缘设备算力和功耗受限的问题，提出面向被试独立分类的紧凑神经网络，并与基于电阻式存储器的低功耗存内计算推理加速器 RAISE 协同设计。 算法方面，作者提出通过紧凑网络识别不同被试之间共同且稳定的结构，以支持跨被试 EEG 分类，并称该模型可用较小额外开销扩展到多种 BCI 任务。摘要未说明共享结构如何提取，也未提供具体网络结构、损失函数、训练流程或任务扩展方式，因此尚不能判断其跨被试能力主要来自何种机制。 硬件方面，RAISE 利用电阻式存储器实现存内计算推理，研究重点是将分类模型与低功耗硬件实现共同优化，而不只是提出新的 EEG 分类器。摘要未给出器件参数、数值精度、模型映射方式以及硬件非理想性处理细节，这些条件对复现能效与分类表现都很重要。 作者报告，在多种 BCI 范式的比较中，所提模型取得最佳被试独立分类 Accuracy，但摘要未提供任务、数据集、被试数、训练与测试划分、具体数值或算法基线。作者另报告，相较于其采用的先进电阻式推理加速器基线，RAISE 实现 2.8× 功耗降低和 2.5× 每瓦性能提升；这些结果仅能在原研究的硬件评估条件下解读，不能直接外推到实际 BCI 设备。 复现时需核对跨被试划分与训练数据使用范围、不同任务的适配开销，以及硬件比较中的工作负载、精度、吞吐率和功耗统计边界。实验协议、消融及统计信息尚未验证。

    阅读价值：值得阅读其跨被试 EEG 分类与电阻式存储器存内计算的算法—硬件协同设计，但分类优势和能效收益仍需结合全文中的划分协议、硬件条件及对照基线核对。