論文の概要: Reducing the Complexity of Deep Learning Models for EEG Analysis on Wearable Devices

• arxiv url: http://arxiv.org/abs/2606.12742v2
• Date: Mon, 15 Jun 2026 18:39:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 15:01:46.620812
• Title: Reducing the Complexity of Deep Learning Models for EEG Analysis on Wearable Devices
• Title（参考訳）: ウェアラブルデバイスにおける脳波解析のための深層学習モデルの複雑さの低減
• Authors: Farough Shayeste Roodi, Parham Zilouchian Moghaddam, Mahdi Mohammadi-nasab, Mehdi Modarressi, Mostafa Ersali Salehi Nasab, Masoud Daneshtalab,
• Abstract要約: ディープニューラルネットワークは、ECGとEEG信号を処理し分析する主要な方法と考えられている。 ウェアラブルデバイスにおける軽量エネルギーと計算パワーの制約は、DNNモデルの計算、エネルギー、メモリ帯域幅の要求よりもはるかに低い。 本稿では,資源制約型ウェアラブルデバイスにおける最先端DNNモデルの展開の可能性について検討する。
• 参考スコア（独自算出の注目度）: 2.3603300812061256
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Wearable healthcare devices are the fastest-growing Internet of Things (IoT) sector. Many automated healthcare services rely on two crucial biological signals, namely ECG and EEG, which reflect the activity of the heart and brain, respectively. Although deep neural networks are considered the primary way to process and analyze these signals, the very tight energy and computational power constraints in wearable devices are far below the computational, energy, and memory bandwidth demands of DNN models, thereby impeding the deployment of deep learning in many practical wearable services. This paper investigates the feasibility of deploying state-of-the-art DNN models in resource-constrained wearable devices. Notably, we explore the trade-off between accuracy and computational complexity of DNNs when parameter quantization and electrode reduction methods are used. Our investigation centers on several state-of-the-art DNN models designed for EEG signal analysis, specifically for detecting epileptic seizures. Our findings demonstrate that, when applied judiciously, these techniques can significantly reduce the complexity of the DNNs under consideration with minimal adverse effects on accuracy. These results reveal the explicit trade-offs between accuracy and complexity reduction encountered when adapting DNN-based online EEG analysis for wearable devices.
• Abstract（参考訳）: ウェアラブル医療デバイスは、IoT(Internet of Things)分野で急速に成長している分野だ。 多くの自動化医療サービスは、それぞれ心臓と脳の活動を反映する2つの重要な生物学的シグナル、すなわち心電図と脳波に依存している。 ディープニューラルネットワークは、これらの信号を処理し分析する主要な方法と考えられているが、ウェアラブルデバイスにおける非常に厳しいエネルギーと計算力の制約は、DNNモデルの計算、エネルギー、メモリ帯域幅の要求よりもはるかに低いため、多くの実用的なウェアラブルサービスにおけるディープラーニングの展開を妨げている。 本稿では,資源制約型ウェアラブルデバイスにおける最先端DNNモデルの展開の可能性について検討する。 特に,パラメータ量子化法と電極還元法を用いる場合のDNNの精度と計算複雑性のトレードオフについて検討する。 本研究は脳波信号解析,特にてんかん発作を検出するために設計されたいくつかの最先端DNNモデルに焦点を当てる。 以上の結果から,これらの手法はDNNの複雑さを著しく低減し,精度に最小限の悪影響を及ぼす可能性が示唆された。 これらの結果から,ウェアラブルデバイスにおけるDNNベースのオンライン脳波解析に適用する場合に発生する精度と複雑性の低減との明確なトレードオフが明らかとなった。

関連論文リスト

• Learning Alzheimer's Disease Signatures by bridging EEG with Spiking Neural Networks and Biophysical Simulations [42.091774598477706]
  脳波に基づくアルツハイマー病検出のための従来のディープラーニングアプローチは、計算集約的で機械的に不透明である。 本稿では,データ駆動学習と生体物理シミュレーションを結びつけるニューラルネットワークフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-30T21:54:16Z)
• Prototyping an End-to-End Multi-Modal Tiny-CNN for Cardiovascular Sensor Patches [35.899401205042615]
  本稿では、バイナリ分類問題を解決するために、データの早期融合を伴う畳み込みニューラルネットワークを提案する。 提案手法は,最先端技術と比較してメモリフットプリントと計算コストを3桁削減する。
  論文  参考訳（メタデータ） (2025-10-21T14:23:20Z)
• L-SFAN: Lightweight Spatially-focused Attention Network for Pain Behavior Detection [44.016805074560295]
  慢性的な腰痛 (CLBP) は世界中の何百万もの患者を悩ませており、個人の健康や医療システムに対する経済的負担に大きな影響を及ぼす。 人工知能(AI)とディープラーニングは、リハビリ戦略を改善するために痛みに関連する行動を分析するための有望な道を提供するが、畳み込みニューラルネットワーク(CNN)を含む現在のモデルには限界がある。 我々は、モーションキャプチャーと表面筋電図センサからデータの空間的時間的相互作用をキャプチャする2Dフィルタを組み込んだ軽量CNNアーキテクチャであるhbox EmoL-SFANを紹介する。
  論文  参考訳（メタデータ） (2024-06-07T12:01:37Z)
• SpikingJET: Enhancing Fault Injection for Fully and Convolutional Spiking Neural Networks [37.89720165358964]
  SpikingJETは、完全に接続された畳み込み型スパイキングニューラルネットワーク(SNN)用に特別に設計された新しいフォールトインジェクタである。 我々の研究は、SNNのハードウェア障害に対するレジリエンスを評価するための重要な必要性を、現実世界のアプリケーションにおけるその優位性を考える上で、浮き彫りにしている。
  論文  参考訳（メタデータ） (2024-03-30T14:51:01Z)
• ARNN: Attentive Recurrent Neural Network for Multi-channel EEG Signals to Identify Epileptic Seizures [2.3907933297014927]
  A Attention Recurrent Neural Network (ARNN) が提案され、大量のデータを効率的に正確に処理できる。 ARNN細胞は、配列に沿って注意層を繰り返し適用し、配列長と線形複雑である。 このフレームワークは、注意層と長い短期記憶(LSTM)細胞にインスパイアされているが、この典型的な細胞を複数の順序でスケールアップし、マルチチャネル脳波信号を並列化する。
  論文  参考訳（メタデータ） (2024-03-05T19:15:17Z)
• PTGB: Pre-Train Graph Neural Networks for Brain Network Analysis [39.16619345610152]
  臨床結果に関係なく,脳内ネットワーク構造をキャプチャするGNN事前学習フレームワークPTGBを提案する。 PTGBは,(1)脳ネットワークに特化して設計された教師なし事前学習技術で,タスク固有のラベルを持たない大規模データセットからの学習を可能にすること,(2)異なるROIシステムを持つデータセット間の知識伝達を容易にするデータ駆動型パーセルレーションアトラスマッピングパイプラインである。
  論文  参考訳（メタデータ） (2023-05-20T21:07:47Z)
• EEGSN: Towards Efficient Low-latency Decoding of EEG with Graph Spiking Neural Networks [4.336065967298193]
  ほとんどのニューラルネットワーク(SNN)は、低レイテンシと電力効率を必要とするいくつかの重要なタスクに必ずしも適合しない誘導バイアスに基づいてトレーニングされている。 本稿では、分散脳波センサに存在する動的関係情報を学習する多チャンネル脳波分類(EEGS)のためのグラフスパイクニューラルアーキテクチャを提案する。 提案手法は,従来のSNNと比較して,推定計算の複雑さを20ドル程度削減し,モータ実行タスクにおいて同等の精度を達成した。
  論文  参考訳（メタデータ） (2023-04-15T23:30:17Z)
• The Hardware Impact of Quantization and Pruning for Weights in Spiking Neural Networks [0.368986335765876]
  パラメータの量子化とプルーニングは、モデルサイズを圧縮し、メモリフットプリントを削減し、低レイテンシ実行を容易にする。 本研究では,身近な身近なジェスチャー認識システムであるSNNに対して,孤立度,累積的に,そして同時にプルーニングと量子化の様々な組み合わせについて検討する。 本研究では,3次重みまで精度の低下に悩まされることなく,攻撃的パラメータ量子化に対処可能であることを示す。
  論文  参考訳（メタデータ） (2023-02-08T16:25:20Z)
• Many-to-One Knowledge Distillation of Real-Time Epileptic Seizure Detection for Low-Power Wearable Internet of Things Systems [6.90334498220711]
  低消費電力のウェアラブルIoTシステムと定期的な健康モニタリングを統合することは、現在進行中の課題である。 ウェアラブルの計算能力の最近の進歩により、複数のバイオシグナーを利用する複雑なシナリオをターゲットにすることが可能になった。 身体的に大きく、バイオシグナーをベースとしたウェアラブルは、患者にとって大きな不快感をもたらす。 本稿では,IoTウェアラブルシステムにおける単一生体信号処理を対象とした多対一信号の知識蒸留手法を提案する。
  論文  参考訳（メタデータ） (2022-07-20T12:22:26Z)
• Model-Driven Beamforming Neural Networks [47.754731555563836]
  本稿では、一般データおよびモデル駆動ビームフォーミングニューラルネットワーク(BNN)を紹介する。 様々な学習戦略を示し、DLベースのBNNの複雑さの低減についても論じている。 また、BNNの汎用性を向上させるため、トレーニングセットの強化や伝達学習などの強化手法も提供する。
  論文  参考訳（メタデータ） (2020-01-15T12:50:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。