面向低功耗基于脑电图的神经退行性疾病检测的预处理与特征提取协同优化：基于 STM32 嵌入式平台的基准测试

《BMC Neurology》：Preprocessing and feature extraction co-optimization for low-power EEG-based neurodegenerative disease detection: a benchmark on STM32 embedded platforms

　　

摘要

使用脑电图（EEG）对阿尔茨海默病和额颞叶痴呆（FTD）进行早期鉴别诊断，能够实现低成本且无创的神经监测。本研究提出了一种轻量级 TinyML 框架，用于在资源受限的微控制器上进行嵌入式脑电图分类。在包含 88 名参与者的两个公开 OpenNeuro 数据集上，评估了十二种预处理技术和六种机器学习分类器。所有流程均使用带有 CMSIS-NN 的 INT8 量化在 STM32 NUCLEO-64 和 STM32WB55 平台上实现。结果表明，稀疏分解结合 XGBoost 取得了最佳性能，准确率达到 94.46%，灵敏度达到 92.1%，同时仅需 45 KB SRAM 和较低的执行时间，证明了可穿戴脑电图诊断系统的可行性。