Новый метод снижает вычислительную сложность нейросетей для анализа ЭЭГ на носимых гаджетах
Рынок носимых медицинских устройств быстро растет, но внедрение глубоких нейросетей (DNN) для анализа биосигналов, таких как ЭЭГ, ограничено жесткими энергетическими и вычислительными ограничениями гаджетов. Стандартные модели требуют значительных ресурсов, что препятствует их практическому использованию.
В новой работе на arXiv (2606.12742) исследователи оценили возможность развертывания передовых DNN на ресурсно-ограниченных носимых устройствах. Они сосредоточились на анализе электроэнцефалограмм для обнаружения эпилептических припадков — задачи, требующей высокой точности в реальном времени.
Авторы применили два метода снижения сложности: квантование параметров модели и сокращение количества используемых электродов. Квантование уменьшает разрядность чисел, а сокращение электродов упрощает сбор данных.
Результаты показали, что при разумном применении эти техники позволяют значительно снизить вычислительную сложность DNN с минимальным негативным влиянием на точность. Ученые выявили явный компромисс между точностью и снижением сложности.
Это открытие приближает возможность развертывания DNN-анализа ЭЭГ в повседневных носимых устройствах, например, для мониторинга пациентов с эпилепсией. Дальнейшая оптимизация может сделать такие системы более доступными.
Таким образом, работа демонстрирует практический путь к преодолению одного из ключевых барьеров на пути внедрения искусственного интеллекта в носимую медицинскую электронику.
