基于低复杂度CNN的电神经信号分类
信号处理
2025-05-13 v1 人工智能
机器学习
摘要
外周神经接口（PNI）促进神经记录和刺激，用于治疗神经损伤，但实时分类电神经图（ENG）信号在受限复杂度和延迟约束下仍具有挑战性，尤其是对于可植入设备而言。本研究引入MobilESCAPE-Net一种轻量级架构，在保持并略微提升分类性能的同时显著降低计算成本。与最新方法ESCAPE-Net相比，MobilESCAPE-Net在相当的准确率和F1分数下，复杂度大幅降低，参数数量减少99.9%，每秒浮点运算量（FLOPS）降低92.47%，实现更快的推理和实时处理。其效率使其适用于资源受限环境下（如可植入设备）的ENG信号低复杂度分类。
引用
@article{arxiv.2505.06241,
title = {Low-Complexity CNN-Based Classification of Electroneurographic Signals},
author = {Arek Berc Gokdag and Silvia Mura and Antonio Coviello and Michele Zhu and Maurizio Magarini and Umberto Spagnolini},
journal= {arXiv preprint arXiv:2505.06241},
year = {2025}
}