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。

108 条精选近 30 天 20 条共收录 154 条

更新

精选归档 · 第 6 页

1月1日周日第 101–108 条
  1. OpenReview · EEG76

    EpiDeNet：面向嵌入式系统的高能效癫痫发作检测方法

    基于摘要分析。研究面向日常长期监测中的 EEG 癫痫发作自动检测，针对发作数据高度类别不平衡及可穿戴设备算力、能耗受限的问题，提出轻量网络 EpiDeNet 和 Sensitivity-Specificity Weighted Cross-Entropy（SSWCE）损失，并评估其低功耗嵌入式实现。其主要研究对象是癫痫监测，而非 BCI 控制任务。 机制上，SSWCE 将敏感性和特异性纳入交叉熵损失，以应对类别不平衡；推理结果采用三窗口多数投票进行平滑。摘要未提供网络结构、损失具体公式、窗口长度及投票引入的检测延迟，因而尚不能判断各组件对检测性能与误报的独立贡献。 作者报告，在仅使用四个 EEG 通道的条件下，EpiDeNet-SSWCE 在 CHB-MIT 和 PEDESITE 上分别检测到 91.16% 和 92.00% 的癫痫发作事件；这些是事件检测比例，不应改写为 Accuracy。作者还报告，三窗口多数投票平滑结合 SSWCE 将误报降至 1.18 FP/h，误报减少约三倍；摘要未明确该误报结果对应的数据集及比较基线。被试数量、通道选择、被试内或跨被试协议、数据划分、事件判定规则、消融及统计信息尚未验证。 硬件评估覆盖 ARM Cortex M4F/M7 和 PULP 平台 GAP8/GAP9。作者报告，最高效的 GAP9 实现在 726.46 MMAC/s 吞吐下，每次推理耗能 0.051 mJ，能效为 40 GMAC/s/W，约为所评估最佳 ARM Cortex 方案的 160 倍。该优势限定于所报告的实现与比较条件；测量边界、精度格式、内存占用以及是否包含 EEG 采集、通信和预处理能耗尚未验证，不能直接据此推算可穿戴设备续航。 复现时应优先核对数据划分、事件与误报计数方式、平滑延迟，以及硬件功耗测量条件。摘要未提供代码或完整训练配置，其类别不平衡处理与部署经验的可复用性仍需在具体任务中验证。

    阅读价值：值得核对其类别不平衡损失、误报平滑与嵌入式能耗之间的权衡：作者同时报告癫痫发作事件检测和硬件部署结果，但跨被试泛化及端到端功耗尚未验证。

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 · EEG79

    Portiloop：基于深度学习的闭环脑刺激开放科学工具

    基于摘要分析。该研究针对闭环脑刺激工具昂贵、笨重且实验灵活性有限的问题，提出 Portiloop：一个基于深度学习、便携且低成本的闭环刺激系统，用于实时识别特定脑振荡并支持精确干预脑过程。其主要贡献是整合可由商用组件搭建的开放硬件、快速轻量的神经网络模型，以及面向目标脑振荡自动优化模型超参数的搜索算法。 技术机制上，闭环流程涉及采集 EEG 等神经生理信号、快速检测目标神经事件，并触发刺激。摘要介绍了听觉、磁或电刺激作为闭环脑刺激的一般形式，但未明确 Portiloop 实际实现的刺激类型。模型结构、训练目标、输入窗口、搜索策略和计算资源要求尚未验证。 作者报告，在实时睡眠纺锤波检测这一测试任务中，系统在 Massive Online Data Annotation spindle dataset（MODA；群体共识标注）上取得了与离线专家表现相当的结果。摘要未给出具体指标、数据划分、被试内或跨被试评估协议，也未说明端到端延迟及实际刺激效果，因此不能据此认定其已验证记忆改善或临床疗效；实验协议、消融及统计信息尚未验证。 作者说明软件和硬件设计资料向社区开放，为复现实时 EEG 事件检测及闭环系统集成提供了基础。复现时需核对硬件配置、模型与训练流程、MODA 标注及划分方式，并区分离线检测性能、在线事件识别时序与刺激触发精度。摘要所述低成本和便携性尚无具体成本、功耗或设备尺寸支持。

    阅读价值：值得关注其将开放硬件、轻量神经网络与自动超参数优化整合为实时 EEG 闭环系统的实现路径，但检测性能及端到端刺激时序仍需结合全文和实现核对。

  3. OpenReview · EEG72

    用于单通道 EEG 跨被试驾驶员疲劳检测的紧凑且可解释卷积神经网络

    基于摘要分析。该研究针对单通道 EEG 驾驶员疲劳检测中的跨被试差异，提出紧凑且可解释的卷积神经网络（CNN），旨在学习不同被试共享的判别特征，为免校准检测提供方法探索。 核心机制是在模型中引入 Global Average Pooling（GAP），使 Class Activation Map（CAM）能够定位输入信号中对分类贡献较大的区域。摘要未给出网络层数、参数量、损失函数或训练配置，因此“紧凑”的具体计算与存储成本尚未验证；CAM 提供的是模型判别依据的可视化，不能单独确立生理因果关系。 作者报告，在涉及 11 名被试的二分类跨被试 EEG 评估中，模型平均 Accuracy 为 73.22%，高于所比较的传统机器学习方法及其他深度学习方法。摘要未列出数据集名称、具体被试划分、片段生成方式、基线名称及各基线结果，实验协议、消融及统计信息尚未验证；这一结果不能直接视为真实驾驶环境中的免校准部署效果。 作者报告，CAM 可视化显示模型将 Alpha spindles 和 Theta burst 等具有生理解释的特征作为疲劳状态的证据，同时利用肌肉伪迹与传感器漂移识别清醒状态。后者是重要的核对点：模型可能利用与状态相关、但也依赖采集条件的线索，其跨设备或跨会话稳定性尚未验证，不能据此断言存在数据泄漏或实验设计问题。 复现时需核对单通道位置、预处理与伪迹处理、疲劳标签定义、跨被试划分及模型训练配置。可进一步比较保留与抑制伪迹条件下的跨被试 Accuracy 和 CAM 定位，检验清醒状态的判别是否过度依赖采集相关线索；这是待检验的建议，并非作者已报告的结果。

    阅读价值：值得阅读之处在于以单通道 EEG 的跨被试疲劳检测检验共享特征学习，并用 CAM 揭示模型同时利用生理节律与伪迹，便于核对其判别依据及泛化风险。

  4. 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。

  5. 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。

1月1日周三
  1. OpenReview · EEG71

    面向可穿戴设备 EEG 分类的多级二值化 LSTM

    基于摘要分析。研究针对可穿戴、资源受限设备上 LSTM 的计算与存储开销，以及普通二值化 LSTM 在 EEG 分类中可能产生的精度损失，提出多级二值化 LSTM，旨在降低计算成本的同时保持接近全精度 LSTM 的分类精度。 核心方法是对权重和输入采用 5-level binarization。摘要将其定位为全精度计算与普通二值化之间的折中方案，但未说明多级表示的具体编码、量化与训练流程，以及 LSTM 内部哪些运算采用该表示；这些实现细节尚未验证，不能据摘要推断具体网络结构或损失函数。 作者报告，在 65nm 工艺条件下，采用 5-level 二值化权重和输入可使 MAC（乘加）运算的面积和延迟分别降低约 31 倍和 27 倍，同时相对全精度 LSTM 的 Accuracy 损失低于 0.01%。摘要未明确面积与延迟收益所用的硬件对照、实现条件，也未说明精度损失的具体计算口径，因此该结果不能直接解释为完整模型或可穿戴系统的同等加速与资源节省。 摘要未提供 EEG 数据集、分类任务、被试规模、被试内或跨被试划分、基线绝对 Accuracy，以及消融和统计信息，相关实验协议尚未验证。作者认为该方法有利于实时可穿戴 EEG 分类，但端到端延迟、能耗、存储占用及实际设备部署表现仍需核对全文。复现重点应是多级二值化的训练与推理实现、相同数据划分下与全精度及普通二值化 LSTM 的比较，以及 MAC 级收益能否转化为完整系统收益。

    阅读价值：值得阅读其多级二值化在 EEG 分类精度与硬件成本之间的权衡，但摘要中的精度损失及 MAC 面积、延迟收益仍需结合完整实验协议核对。