PicoSleepNet: シングルチャネルEEG信号を使用したスパイクニューラルネットワークによる超軽量睡眠段階分類

科学分野:

• 生物医学工学
• 計算神経科学
• シグナル処理

背景:

• 電気脳波 (EEG) 信号を用いた従来の睡眠段階分類方法は,計算が密集し,電力消費が多く,ウェアラブルデバイスでの使用を制限しています.
• 既存の方法は,多くの場合,マルチビット・ナイクイスト・サンプリングと密集したコンピューティング・アーキテクチャに依存し,高い複雑性と電力消費につながります.
• エッジデバイスのリアルタイムモニタリングのために,超軽量で効率的な睡眠段階のソリューションが必要です.

研究 の 目的:

• 革新的な超軽量睡眠段階分類方法であるPicoSleepNetを導入する.
• リソース制限のウェアラブルデバイスとニューロモルフィックハードウェアのスリープステージングシステムの展開を可能にします.
• 高い精度を維持しながら,睡眠段階の分類の計算の複雑さと電力消費を減らす.

主な方法:

• スパイキングニューラルネットワーク (SNN) を使った単一チャネル脳波 (EEG) 信号.
• 適応データエンコーディングのための単位サブニクイストレベルクロスサンプリング (LCS) を実装し,データボリュームを6.98×減少させた.
• マスクされたバックプロパガンダと稀な正規化 (MaskedBPSR) と量子化意識訓練 (QAT) で最適化された稀な再発性スパイクニューラルネットワーク (RSNN) を採用した.

主要な成果:

• PicoSleepNetは公的なデータセット (SleepEDF-20,Sleep-EDF-78,ISRUC-Sleep) で競争力のある精度 (83.5%,77.9%,79.4%) とマクロF1スコア (75.2%,68.1%,77.2%) を達成した.
• このモデルは超軽量で, 14.0-25.8K のパラメータ (ほぼ 2 × 減量) と 681.4-842.0K の操作 (27 × 減量) がある.
• ハードウェアフレンドリーなデプロイ能力を実証し,計算電力消費を 1480 倍減少させました.

結論:

• PicoSleepNetは,ウェアラブルデバイスとニューロモルフなハードウェアで超軽量な睡眠ステージの実現可能なソリューションを提供します.
• LCS,散らばったRSNN,MaskedBPSR,およびQATの組み合わせにより,計算負荷と電力消費が大幅に削減されます.
• このアプローチは 睡眠分析によるリアルタイムの 継続的な健康モニタリングの 広範な応用に道を開きます