NeuroSleep：面向边缘感知的单通道 EEG 睡眠分期新型学习系统
信号处理
2026-02-24 v2 人工智能
机器学习
摘要
目标。可靠的、持续的神经传感在可穿戴边缘平台上是长期健康监测的基础;然而，对于基于脑电图(EEG)的睡眠监测，密集的高频处理往往在紧张能源预算下在计算上不可行。方法。为解决这一瓶颈，本文提出 NeuroSleep，一个集成的事件驱动感知与推理系统，用于能效睡眠分期。NeuroSleep 首先将原始 EEG 转换为由残差自适应多尺度 delta 调制(R-AMSDM)实现的互补多尺度双极事件流，使其在感知前端实现保真度-稀疏性权衡。进一步地，NeuroSleep 采用分层推理架构，包括用于局部特征提取的事件基准自适应多尺度响应(EAMR)模块、用于上下文聚合的局部时序注意力模块(LTAM)以及用于捕获长期状态持久性的 epoch-泄漏积分-放电(ELIF)模块。主要结果。在针对 Sleep-EDF Extended 睡眠带带 (SC) 子集的单通道 EEG 上进行的以受试者无关 5 折交叉验证实验中，NeuroSleep 实现了 74.2% 的平均准确率，仅使用 0.932M 参数，同时将稀疏调整后有效运算量约降低 53.6%。相对于稠密处理器，NeuroSleep 在准确率上提高 7.5%，计算负载降低 45.8%。意义。通过将神经形态事件编码与面向状态的上下文建模耦合，NeuroSleep 提供了一个面向单通道睡眠分期的部署导向框架，减少了冗余的高频率处理，并提高了可穿戴和边缘平台的能源可扩展性。
引用
@article{arxiv.2602.15888,
title = {NeuroSleep: Neuromorphic Event-Driven Single-Channel EEG Sleep Staging for Edge-Efficient Sensing},
author = {Boyu Li and Xingchun Zhu and Yonghui Wu},
journal= {arXiv preprint arXiv:2602.15888},
year = {2026}
}
备注
14 pages, 5 figures, under review at Physiological Measurement