EKFNet:基于边缘的卡尔曼波器网络,用于实时的EEG信号消噪
Jiaquan Yan1, Zhuoli He1,2, Naveed Ur Rehman Junejo3,4
1Fujian Provincial Key Laboratory of Information Processing and Intelligent Control, School of Computer and Big Data, Minjiang University, Fuzhou 350121, People's Republic of China.
Journal of neural engineering
|December 2, 2024
概括
这项研究引入了一个基于边缘的轻量级卡尔曼波器网络 (EKFNet),用于消除便携式设备上的脑电图 (EEG) 信号. EKFNet显著提高了信号质量,减少了计算负载,使可穿戴电子设备的高效部署成为可能.
科学领域:
- 生物医学工程 生物医学工程
- 信号处理 信号处理
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 对于脑电图 (EEG) 信号消噪的深度学习方法是计算密集的.
- 现有的模型面临着基于边缘的便携式或可穿戴 (P/W) 电子设备的部署挑战.
- 高计算复杂性限制了在资源有限的设备上应用先进的消噪技术.
研究的目的:
- 提出一个基于边缘的轻量级卡尔曼波器网络 (EKFNet),以实现高效的EEG信号消噪.
- 开发一个深度学习模型,消除手动预先知识估计的需要.
- 为了实现在便携式和可穿戴设备上部署先进的信号消噪.
主要方法:
- 构建了一个多级特征融合模块,以捕获和隐式计算先前的知识.
- 设计了一个使用LSTM和顺序通道注意力进行动态卡尔曼增益预测的自适应增益估计模块.
- 实施了一个优化策略,使用操作员融合和持续折叠来减少计算开销和内存足迹.
主要成果:
- 与最先进的方法相比,EKFNet将距离的平方和减少了至少12%.
- 与现有无色化技术相比,至少提高了2.2%的同位素相似性.
- 模型优化实现了大约3.3×的推理时间缩短.
结论:
- EKFNet有效地将卡尔曼过与深度学习进行集成,用于EEG信号消噪.
- 这种方法克服了传统算法的参数设置挑战,同时最大限度地降低了计算和内存需求.
- 对于边缘设备应用,EKFNet在算法性能和计算能力之间提供了有利的平衡.
