E2CAR: 2D-CNN-Framework für Echtzeit-EEG-Artifact-Entfernung auf Edge-Geräten

Elektroenzephalogramme (EEG) werden häufig durch Artefakte verunreinigt, was die Genauigkeit nachfolgender Analysen stark beeinträchtigt. Traditionelle Artefaktentfernungsmethoden sind oft rechenintensiv und eignen sich daher kaum für Echtzeit-Anwendungen auf Edge-Geräten.

Das neue E2CAR-Framework löst dieses Problem, indem es die üblichen eindimensionalen CNNs durch zweidimensionale CNNs ersetzt und diese auf dem Edge Tensor Processing Unit (TPU) ausführt. Der TPU ist ein Open-Source-Hardware-Accelerator, der für niedrige Latenz und geringen Stromverbrauch in Edge-Umgebungen optimiert ist.

Durch diese Optimierung reduziert E2CAR die Inferenzzeit um beeindruckende 90 % und senkt den Stromverbrauch um 18,98 %. Gleichzeitig bleibt die Artefaktentfernung im Vergleich zu bestehenden Verfahren nahezu gleichwertig. Damit ermöglicht das System eine effiziente EEG-Verarbeitung direkt an der Quelle, ohne auf leistungsstarke Server angewiesen zu sein.