通过EEG变压器减少可穿戴式发作检测中的错误警报:用于MCU的紧型变压器模型

科学领域:

• 医疗器械 医疗器械 医疗器械
• 人工智能的人工智能是人工智能.
• 信号处理 信号处理

背景情况:

• 连续电脑电图 (EEG) 分析用于发作检测是可穿戴设备的挑战.
• 深度神经网络,特别是变压器,提供了无需手动特征工程的端到端时间序列处理的潜力.

研究的目的:

• 提出EEGformer,一个小型的基于变压器的探测器,用于在低功耗微控制器单元 (MCU) 上实时检测.
• 为不引人注目的可穿戴系统优化EEGformer,使用最小的时间EEG通道,专注于低延迟和减少错误报警.

主要方法:

• 设计了EEG变压器,一个小规模的变压器,用于MCU的硬件导向效率.
• 在CHB-MIT数据集上评估了EEGformer和一个新的头皮EEG数据集.
• 评估了Apollo4,GAP8和GAP9 MCU的部署可行性,测量了推断时间和能源消耗.

主要成果:

• 与最先进的时间采集模型相比,EEGformer减少了20%的发病检测延迟.
• 在CHB-MIT上实现了73%的发作检测概率,每小时0.15个假阳性 (FP/h).
• 在一个新型数据集上,成功检测到88%的发作,每小时0.45 FP.
• 在GAP9 MCU上展示了高效的部署,延迟时间为13.7 ms,每推断为0.31 mJ.

结论:

• EEGformer是可穿戴式发作检测系统的可行和高效解决方案.
• 该模型可以通过减少通道数和延长电池寿命来持续监测.
• 硬件意识的设计有助于在资源有限的可穿戴设备上部署.