可穿戴设备 EEG 深度学习模型复杂度压缩¶
初读范围：本文基于 arXiv 元数据、摘要和公开条目信息建立阅读卡片；尚未完成 PDF 全文逐段复核、模型压缩方法抽取或可穿戴硬件指标核验，因此保持
UNVERIFIED / UNREVIEWED。
为什么值得读¶
可穿戴医疗设备要处理 ECG、EEG 等生理信号，但电池、算力和内存都很紧。EEG 模型若太大，就像让手环背着工作站跑步，理论准确率再高也难以部署。
这篇论文关注降低 EEG 深度学习模型复杂度，适合补 Layer 7 的 IoMT 应用，并和 Layer 5 的模型压缩形成直接连接。
论文要回答的问题¶
- EEG 分析模型在可穿戴设备上主要受哪些资源约束限制。
- 复杂度压缩会怎样影响准确率、延迟、内存和能耗。
- 压缩方法是否适合实时或近实时健康监测。
- 模型是否能跨个体、跨设备和跨场景泛化。
初读要点¶
| 维度 | 重要性 | 深读核验 |
|---|---|---|
| Accuracy | 医疗判断不能乱 | 数据集和任务定义 |
| Latency | 实时监测需要及时响应 | 端侧实测还是估算 |
| Memory | 可穿戴设备资源紧 | 参数量和峰值 RAM |
| Energy | 决定续航 | 是否有功耗测量 |
放进全栈框架¶
- Layer 1 提供生理传感器和采样约束。
- Layer 5 提供模型压缩和端侧推理方法。
- Layer 7 用可穿戴健康场景检验工程可行性。
初读结论¶
这篇论文的价值在于把模型复杂度和真实可穿戴约束绑在一起。后续深读要核验“复杂度降低”是否包含真实能耗和内存测量，而不是只报告参数量或 FLOPs。
后续核验清单¶
- 抽取 EEG 任务、数据集和模型结构。
- 核对压缩策略、复杂度指标和准确率变化。
- 检查是否有真实可穿戴设备或 MCU/NPU 实测。
- 对接
wearable-sensors与on-device-training。
参考文献¶
[1] F. S. Roodi, P. Z. Moghaddam, M. Mohammadi-nasab, M. Modarressi, M. E. S. Nasab, and M. Daneshtalab, "Reducing the Complexity of Deep Learning Models for EEG Analysis on Wearable Devices," arXiv:2606.12742, 2026.