边缘设备上的低延迟神经推理用于基于EEG信号的实时手写识别
信号处理
2025-10-24 v1 机器学习
摘要
脑机接口（BCI）为严重运动或言语障碍患者恢复沟通提供了一条途径。想象手写为字符级神经解码提供了一种直观的范式，弥合了人类意图与数字通信之间的鸿沟。虽然侵入式方法（如皮层脑电图（ECoG））实现了高精度，但其手术风险限制了广泛采用。非侵入式脑电图（EEG）提供了更安全、更可扩展的替代方案，但受限于低信噪比和空间分辨率，制约了其解码精度。这项工作表明，先进的机器学习结合信息丰富的EEG特征提取可以克服这些障碍，在便携式边缘设备上实现实时、高精度的神经解码。从15名执行想象手写的参与者中收集了32通道EEG数据集。信号经过带通滤波和伪影子空间重建预处理，随后提取了85个时域、频域和图域特征。一种混合架构EEdGeNet，将时间卷积网络与在提取特征上训练的多层感知器相结合。当部署在NVIDIA Jetson TX2上时，该系统实现了89.83%的准确率，每个字符延迟为914.18毫秒。仅选择十个关键特征可将延迟降低4.5倍至202.6毫秒，而准确率损失不到1%。这些结果为支持实时通信的精确、低延迟、完全便携的非侵入式BCI建立了一条途径。
引用
@article{arxiv.2510.19832,
title = {Low-Latency Neural Inference on an Edge Device for Real-Time Handwriting Recognition from EEG Signals},
author = {Ovishake Sen and Raghav Soni and Darpan Virmani and Akshar Parekh and Patrick Lehman and Sarthak Jena and Adithi Katikhaneni and Adam Khalifa and Baibhab Chatterjee},
journal= {arXiv preprint arXiv:2510.19832},
year = {2025}
}
备注
18 pages