能够在低功耗边缘设备上进行准确癫痫检测的能量高效的脑神经植入装置使用了 TC-ResNet 和时间序列分析方法，并且无需先进行特征提取，同时考虑到神经植入装置的严格硬件要求。通过使用 CHB-MIT Scalp EEG Database 进行验证，32 位浮点模型以及适合硬件的 4 位定点模型在该数据集上取得了 95.28% 的准确率、92.34% 的敏感度和 0.9384 的 AUC 得分。此外，该模型的功耗使用低功耗人工智能加速器 UltraTrail 进行了测量，平均仅需要 495nW。由于低功耗消耗，该分类方法适用于低功耗可穿戴设备（如脑神经植入装置）的实时癫痫检测。

Jun, 2024

本文提出了一种解决单个主动电极应用于睡眠阶段分类的局限性的实际方法，其中利用整流器神经网络和长短期记忆网络来优化分类性能，并找到了单通道 EEG 在额头上的舒适配置，并证明它可以与其他电极一起使用，从而实现了睡眠自动分类的更好性能。

Oct, 2016

通过心理生理传感器和测量，例如脑电图和皮肤电反应，结合模型算法，可以监测和提升人机交互中的信任度；其中，Local Interpretable Model-agnostic Explanations（LIME）模型在数据处理上具有优越性。

Oct, 2020

EpiDeNet 是一种轻量级的癫痫检测网络，通过引入敏感性和特异性的交叉熵（SSWCE）损失函数，成功检测了两个不同数据集（CHB-MIT 和 PEDESITE）上的 91.16％和 92.00％的癫痫事件，仅使用四个脑电图通道。

Aug, 2023

通过 deep Temporal Convolutional Networks 工具和硬件友好型量化器，我们提出了一种设计空间探索方法，用于自动生成一组适用于可穿戴设备的高精度、极轻量级的计算模型，以便实现心率监测。

Mar, 2022

该研究提出了 REST 方法，通过敌对训练和光谱正则化控制神经网络的 Lipschitz 常数，同时通过稀疏正则化实现神经网络压缩，从而解决了将深度学习模型应用于家庭健康监测的噪声与紧凑高效的问题，并针对睡眠阶段分类任务进行了实验验证和手机应用部署测试。

Jan, 2020

本研究提出了一个计算效率高的机器学习模型，利用静息 - 状态脑电图（rs-EEG）在物联网环境下对帕金森病进行诊断和监测。研究结果显示，使用模糊熵能够最准确地诊断和监测帕金森病。同时，在信号频率范围和脑电图通道的不同组合下，能够准确诊断帕金森病。通过减少特征数量，作者最高达到了 99.9% 的分类准确率。研究结果还发现，脑电信号中的低频成分（0-4 Hz）对分类准确率起到关键作用。此外，作者还评估了不同长度的脑电图数据对帕金森病诊断的准确率，结果表明减少输入数据可以降低计算复杂度。因此，可以在物联网环境中使用性能较低的智能机器学习传感器，从而增强人类对帕金森病的抵抗力。

Aug, 2023

提出一种多对一的信号知识蒸馏方法，用于开发 IoT 可穿戴系统中能够处理单一生物信号并达到与原多生物信号深度神经网络相媲美的精度的解决方案，并在几个最新的边缘计算平台上进行综合模拟实验分析以评估该方法在现实生活场景中的可行性，应用于癫痫性发作检测。

Jul, 2022

通过使用多通道肌电信号识别算法，该研究提出通过训练不同通道子集的集合，并利用来自不同电极位置的数据来增加鲁棒性，同时解决电极变动和降低输入维度的问题，从而显著提高了跨受试者和分类算法的会话间性能。

Jan, 2024

本文经验性地研究了适用于设备上的 TinyML 实现的嵌入式开发工具。研究评估了不同抽象级别的开发工具在资源受限的物联网设备上的使用情况，从基本的硬件操作到最小化的机器学习训练部署。分析包括模型训练和推理过程中的内存使用、能源消耗和性能指标以及不同解决方案的可用性。Arduino 框架提供了易于实现的方式，但相比原生选项增加了能源消耗，而 RIOT OS 表现出高效的能源消耗，尽管内存利用率较高，其使用方便性与 Arduino 框架相当。操作系统中没有直接集成某些关键功能，比如 DVFS，凸显了对精细硬件控制的限制。

Mar, 2024