PicoSleepNet:使用单通道EEG信号的尖端神经网络进行超轻量级睡眠阶段分类

科学领域:

• 生物医学工程
• 计算神经科学
• 信号处理

背景情况:

• 传统的使用脑电图 (EEG) 信号的睡眠阶段分类方法是计算密集和耗电的,限制了它们在可穿戴设备中的使用.
• 现有的方法通常依赖于多位尼奎斯特采样和密集的计算架构,导致高复杂性和功耗.
• 需要超轻,高效的睡眠阶段解决方案,用于边缘设备的实时监控.

研究的目的:

• 推出PicoSleepNet,一种创新的超轻量级睡眠阶段分类方法.
• 在资源有限的可穿戴设备和神经形态硬件上部署睡眠分阶段系统.
• 在保持高精度的同时,减少睡眠阶段分类的计算复杂性和功耗.

主要方法:

• 使用单通道脑电图 (EEG) 信号与尖端神经网络 (SNN).
• 实现单位子尼奎斯特交叉采样 (LCS) 适应性数据编码,减少数据体积6.98×.
• 采用稀疏循环尖端神经网络 (RSNN),并通过掩盖反向传播和稀疏规则化 (MaskedBPSR) 和量子化意识培训 (QAT) 进行优化.

主要成果:

• 在公开数据集 (SleepEDF-20,Sleep-EDF-78,ISRUC-Sleep) 上,PicoSleepNet获得了竞争力的准确度 (83.5%,77.9%,79.4%) 和宏观F1得分 (75.2%,68.1%和77.2%).
• 该模型是超轻的,具有14.0-25.8K参数 (近2×减小) 和681.4-842.0K操作 (27×减小).
• 实现了显著的1480×计算功耗降低,证明了硬件友好的部署能力.

结论:

• 在可穿戴设备和神经形态硬件上实现超轻量级睡眠阶段的可行解决方案.
• 使用LCS,稀疏RSNN,MaskedBPSR和QAT的组合可显著降低计算负载和功耗.
• 这种方法为实时,持续的健康监测通过高级睡眠分析的更广泛应用铺平了道路.