跳到正文

算法、任务与模态

Real-time 最新动态

Real-time 研究索引；按可核对的标签归档，不以热度评价质量。

23 条精选近 30 天 13 条共收录 38 条

更新

精选归档 · 第 2 页

1月1日周一第 21–23 条
  1. OpenReview · EEG74

    面向可穿戴 BCI 低功耗实时 EEG 分类的优化 EEGNet 处理器

    基于摘要分析。该研究针对既有 EEGNet 处理器采用高精度定点数所带来的功耗和资源开销，提出低精度 EEGNet（LPEEGNet）处理器，通过算法量化与硬件架构协同优化，支持可穿戴 BCI 的低功耗实时 EEG 分类。 算法方面，作者通过低精度量化将 EEGNet 重构为 LPEEGNet；摘要未提供量化位宽、量化训练方式或各层精度配置。硬件方面，处理器采用数据驱动处理流程，以层融合构建异构流式架构，利用全局特征图存储改善访存效率，并结合层间并行与层内流水线提升推理效率。其可核对的技术重点是低精度计算、数据搬运与并行调度的联合设计，而不只是压缩模型。 作者报告，在 FPGA 实验中，相比摘要所称的最先进 EEGNet 处理器，该实现的功耗、LUT 利用量和推理延迟分别降低 52.6%、36.2% 和 25.8%；作者另报告，在一个 ERP 数据集上的 Accuracy 为 93.06%。摘要未明确数据集名称、被试数、被试内或跨被试评估协议、数据划分及对照处理器配置，因此这些结果只能在原文所述实验范围内理解，不能直接与其他协议下的分类结果比较。作者据此认为该处理器更适合可穿戴 BCI，但实际可穿戴系统中的收益仍需结合完整实验条件核对。 复现时需确认量化配置及精度变化、FPGA 型号与运行频率、功耗测量范围、延迟计量口径，以及对照实现是否采用可比的网络与硬件条件。实验协议、消融及统计信息尚未验证；摘要也不足以确认端到端在线 BCI 的实时性表现。

    阅读价值：该研究将 EEGNet 低精度量化与 FPGA 流式架构联合优化，值得核对其分类精度、功耗和延迟之间的权衡，尤其是量化配置与硬件对照条件。

  2. OpenReview · State space models73

    MambaLCT：通过长期上下文状态空间模型增强目标跟踪

    基于摘要分析。该研究针对视频目标跟踪中上下文通常局限于相邻帧或短视频片段的问题，提出 MambaLCT，持续聚合从首帧到当前帧的目标变化线索，并将其用于模板帧与搜索帧的关系建模。主要研究对象是视觉目标跟踪，而非 EEG 或 BCI。 核心机制是单向 Context Mamba 模块：沿时间维度扫描帧特征，通过选择性扫描机制将目标相关信息压缩到隐状态空间，并持续更新目标变化线索；随后把这些线索注入注意力机制，为模板帧与搜索帧之间的关系提供时间信息。其方法价值在于将持续更新的长期上下文与跟踪中的注意力建模结合，而不只使用局部时间窗口。具体网络结构、损失、训练方式与状态更新实现尚未验证。 作者报告，长期上下文有助于复杂场景下的目标感知，MambaLCT 在六个目标跟踪基准上达到新的 SOTA，同时保持实时运行速度。摘要未提供基准名称、数据划分、对照方法、具体指标、速度数值或测试硬件，因此这些结果暂不能用于量化比较；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务存在跨时间窗的持续状态变化，选择性状态聚合可能用于缓解固定窗口难以利用长期上下文的瓶颈。可复用的是单向时序状态更新思路；视觉帧特征及模板—搜索帧关系则需改造为 EEG 时间窗表征和任务相关关系。原方法依赖有序视频帧及目标相关特征，摘要未说明其监督形式与训练规模；EEG 的低信噪比、跨被试差异、通道变化和小数据可能使隐状态累积噪声或无关历史。一个可检验的小实验是在同一 EEG 任务与固定划分下，对比持续状态聚合、固定窗口及状态重置版本，检验收益是否来自长期信息，并严格隔离不同试次的状态。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其通过选择性扫描持续聚合目标变化线索、再注入模板与搜索帧注意力的机制，但摘要中的性能与实时性结论尚需完整实验协议支持，向 EEG 的迁移也尚未验证。

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。