面向异构嵌入式平台的脑电应激检测软硬件协同设计

《Scientific Reports》：A noise-aware hardware-software co-design framework for real-time EEG-based stress detection across heterogeneous embedded platforms

　　

摘要

将基于脑电波的应激检测部署到嵌入式硬件上，要求信号处理流程和分类算法必须与目标平台的资源约束进行联合协同设计，而非孤立优化。本文提出了一种以噪声感知特征选择策略为核心的软硬件协同设计框架，该策略联合优化了三个相互竞争的目标：最大化特征与应激标签之间的互信息、特征在信号噪声比退化条件下的鲁棒性，以及最小化特征间的冗余度。应用该策略将初始的312维脑电特征空间压缩为47个判别性特征的紧凑集合，生成一个3.8 MB的随机森林模型，可在不同的部署目标之间进行迁移，而无需针对特定平台重新训练。该框架在六种异构嵌入式系统上进行了验证，涵盖了从FPGA加速片上系统到仅需4美元的商品级微控制器的广泛能力谱系，证明单个训练好的模型可以在截然不同的硬件架构之间部署，同时保持分类精度。本文旨在通过提出一种软硬件协同设计系统来平衡算法精度与硬件约束，从而实现小型嵌入式系统上的实时、低功耗应激监测。在此方向上，我们首先开发了一条严格的软件流水线，集成了鲁棒的预处理方法，如独立成分分析和自适应滤波，以及包含47个维度的噪声敏感特征选择策略。基于这一统一方法，我们构建了一个集成分类模型，实现了对考试引发应激检测99.57%的高精度。我们探索了在六个非同质平台上的部署，包括桌面CPU（HP G10 450，Intel Core i7-1355U）、混合现场可编程门阵列（FPGA）ARM片上系统（SoC）（PYNQ-Z2，Zynq-7020）、嵌入式ARM处理器（树莓派4）、两款资源受限的现场可编程门阵列（FPGA）（Tang Nano 9 K，ICESugar iCE40UP5K），以及一款物联网微控制器（ESP32）。一个重要的发现是，经典的随机森林模型（3.8 MB）具有边缘兼容性。PYNQ-Z2通过硬件加速实现了7.9倍的加速和48.1倍的能效提升，同时保持了99.57%的准确率。混合ICE Sugar FPGA + ESP32系统提供了92.7%的能效，在5000 mAh电池上实现了99.57%的分类准确率和19小时的电池续航。独立的S4 ESP32微控制器仅凭35小时的电池续航就实现了99.21%的准确率，表明在商品级微控制器上实现临床水平的应激监测是可行的。这些发现为信号采集和硅实现使能技术建立了一套全面的方法论，促进了按需可穿戴神经技术的发展，使其能够在教育、临床和职业环境中实现持续的心智健康监测。