基于EEGNet的可穿戴运动想象脑机接口的设备端学习

基于脑电图（EEG）的脑机接口（BCI）在康复和机器人等领域受到广泛关注。尽管神经网络EEG解码取得进展，但由于特征分布漂移，在不同用户群体中保持性能仍具挑战。本文通过为可穿戴运动想象识别实现轻量级高效的设备端学习来解决这一挑战。所提方法应用于成熟的EEGNet架构，可实时准确适配未注册用户的EEG信号。利用新发布的低功耗并行RISC-V处理器GAP9和Physionet EEG运动想象数据集，相较基线实现了最高7.31%的准确率提升，内存占用仅15.6KB。通过优化输入流，在不牺牲推理精度前提下增强了实时性能。定制方法推理时间为14.9ms，单次推理能耗0.76mJ；在线训练单次更新时间为20μs，能耗0.83μJ。这些发现证明了方法对边缘EEG设备及其他受试者依赖性特征分布漂移影响的电池供电可穿戴AI系统的可行性。