基于低功耗边缘AI框架的可穿戴脑电阿尔茨海默病早期检测系统

《IEEE Open Journal of Engineering in Medicine and Biology》：An Energy-Efficient Edge-AI Framework for Continuous EEG-Based Cognitive Screening

　　目标：利用可穿戴设备进行持续健康监测对于阿尔茨海默病等神经退行性疾病的早期检测日益重要。然而，大多数基于脑电图的诊断系统依赖云端处理和低功耗硬件，不适合长期可穿戴部署。要在资源受限的传感平台上实现持续认知筛查，需要低功耗的信号处理、紧凑的模型以及最少的无线通信。方法：本文提出了一种面向微控制器级可穿戴设备的低功耗边缘AI框架。该系统将设备端预处理与基于TinyML优化的多尺度Inception神经网络相结合，直接在传感节点上进行实时推理。该流程融入了一个能量感知的伪迹方差门，在推理前拒斥高方差的受污染信号窗口，同时节约计算能耗。该方差门作为一种硬件快速失败机制，在推理前丢弃被破坏的信号窗口。接下来，我们采用指数移动标准化进行自适应信号归一化。此外，我们引入了一种方差感知的、可学习的步长量化策略，通过量化感知训练将模型压缩为INT8精度，使其能在严格的内存预算内部署。该模型对临床上诊断的阿尔茨海默病（AD）患者和认知正常（CN）对照组的脑电图记录进行二分类。结果：在OpenNeuro ds004504数据集上，使用留一受试者法（LOSO）交叉验证评估，分类准确率达到86.2%，同时将模型内存需求相比原始FP32模型降低了约4倍。结论：最后，我们开发了一款头盔原型机，将部署的量化模型嵌入边缘硬件中，并使用19导湿式电极在独立的20名受试者队列上进行了评估。