用于微控制器上 EEG 解码的 TinyML
基于摘要分析。该研究面向内存受限、低功耗微控制器上的 EEG 解码，使用 Neural Architecture Search（NAS）寻找兼顾准确率与部署资源开销的深度卷积神经网络。研究以 BCI Competition IV 2a 为评估数据集，目标是在小于 256KB SRAM 的微控制器资源约束下实现模型推理，为可穿戴 BCI 的端侧部署提供方法路径。 核心机制是让 NAS 不仅考虑解码准确率，还同时考虑模型大小、推理延迟和推理时的峰值内存占用。其主要价值在于将架构选择从单一准确率优化转向资源约束下的联合权衡。摘要未说明搜索空间、搜索算法细节、各目标的组合方式或资源约束的实现形式，这些内容尚未验证。 作者报告，在 BCI Competition IV 2a 上，与其选取的文献中解码准确率最佳模型作为基线相比，搜索得到的模型能够达到相近准确率，同时将推理内存占用缩小约 20 倍，延迟的平均加速最高可达 1.7 倍。摘要未提供基线名称、绝对准确率、绝对内存与延迟数值，也未明确被试内、跨被试或跨会话评估及数据划分，因此上述结果只能按该摘要中的比较条件理解，不能据此判断不同协议下的优势。 复现时需核对微控制器型号、推理运行时、数值精度、峰值内存统计范围，以及模型大小与实际运行内存之间的区别；同时需确认 NAS 搜索与最终测试的数据隔离方式、重复实验和统计信息。实验协议、消融及统计信息尚未验证，代码与部署产物的可获得性亦未验证。该研究直接针对 EEG 解码，但摘要结果不等同于已验证完整可穿戴 BCI 系统的功耗、实时性或在线使用效果。
阅读价值：该研究将 EEG 解码准确率与微控制器推理资源约束共同纳入架构搜索，值得核对其内存测量与部署协议，以评估可穿戴 BCI 的端侧实现可行性。