PicoSleepNet: Una clasificación de la etapa de sueño ultraligera por red neuronal de picos utilizando una señal de...

Área de la Ciencia:

• Ingeniería biomédica
• Neurociencia computacional
• Procesamiento de señales

Sus antecedentes:

• Los métodos tradicionales de clasificación de las etapas del sueño que utilizan señales de electroencefalograma (EEG) son computacionalmente intensivos y consumen mucha energía, lo que limita su uso en dispositivos portátiles.
• Los métodos existentes a menudo se basan en el muestreo de Nyquist de varios bits y en arquitecturas de computación densas, lo que lleva a una alta complejidad y consumo de energía.
• Se necesitan soluciones ultraligeras y energéticamente eficientes para el seguimiento en tiempo real de los dispositivos de borde.

Objetivo del estudio:

• Introducir PicoSleepNet, un método innovador y ultraligero de clasificación de las etapas del sueño.
• Permitir el despliegue de sistemas de estadificación del sueño en dispositivos portátiles con recursos limitados y hardware neuromórfico.
• Reducir la complejidad computacional y el consumo de energía de la clasificación de las etapas de sueño, manteniendo al mismo tiempo una alta precisión.

Principales métodos:

• Se utilizan señales de electroencefalograma (EEG) de un solo canal con una red neuronal de picos (SNN).
• Implementado el muestreo de cruce de nivel sub-Nyquist de un solo bit (LCS) para la codificación de datos adaptativa, reduciendo el volumen de datos en 6,98 ×.
• Empleó una red neuronal de picos recurrentes escasos (RSNN) optimizada con propagación hacia atrás enmascarada y regularización escasa (MaskedBPSR) y capacitación consciente de la cuantización (QAT).

Principales resultados:

• PicoSleepNet logró una precisión competitiva (83,5%, 77,9%, 79,4%) y puntajes macro-F1 (75,2%, 68,1%, 77,2%) en conjuntos de datos públicos (SleepEDF-20, Sleep-EDF-78, ISRUC-Sleep).
• El modelo es ultra ligero, con parámetros de 14.0-25.8K (casi 2× reducción) y 681.4-842.0K operaciones (27× reducción).
• Logró una notable reducción de 1480 × en el consumo de energía computacional, demostrando capacidades de implementación amigables con el hardware.

Conclusiones:

• PicoSleepNet ofrece una solución factible para la estadificación del sueño ultraligero en dispositivos portátiles y hardware neuromórfico.
• La combinación de LCS, RSNN disperso, MaskedBPSR y QAT reduce significativamente la carga computacional y el consumo de energía.
• Este enfoque allana el camino para aplicaciones más amplias en el monitoreo continuo de la salud en tiempo real a través de un análisis avanzado del sueño.