EpiDeNet：面向嵌入式系统的高能效癫痫发作检测方法

基于摘要分析。研究面向日常长期监测中的 EEG 癫痫发作自动检测，针对发作数据高度类别不平衡及可穿戴设备算力、能耗受限的问题，提出轻量网络 EpiDeNet 和 Sensitivity-Specificity Weighted Cross-Entropy（SSWCE）损失，并评估其低功耗嵌入式实现。其主要研究对象是癫痫监测，而非 BCI 控制任务。 机制上，SSWCE 将敏感性和特异性纳入交叉熵损失，以应对类别不平衡；推理结果采用三窗口多数投票进行平滑。摘要未提供网络结构、损失具体公式、窗口长度及投票引入的检测延迟，因而尚不能判断各组件对检测性能与误报的独立贡献。 作者报告，在仅使用四个 EEG 通道的条件下，EpiDeNet-SSWCE 在 CHB-MIT 和 PEDESITE 上分别检测到 91.16% 和 92.00% 的癫痫发作事件；这些是事件检测比例，不应改写为 Accuracy。作者还报告，三窗口多数投票平滑结合 SSWCE 将误报降至 1.18 FP/h，误报减少约三倍；摘要未明确该误报结果对应的数据集及比较基线。被试数量、通道选择、被试内或跨被试协议、数据划分、事件判定规则、消融及统计信息尚未验证。 硬件评估覆盖 ARM Cortex M4F/M7 和 PULP 平台 GAP8/GAP9。作者报告，最高效的 GAP9 实现在 726.46 MMAC/s 吞吐下，每次推理耗能 0.051 mJ，能效为 40 GMAC/s/W，约为所评估最佳 ARM Cortex 方案的 160 倍。该优势限定于所报告的实现与比较条件；测量边界、精度格式、内存占用以及是否包含 EEG 采集、通信和预处理能耗尚未验证，不能直接据此推算可穿戴设备续航。 复现时应优先核对数据划分、事件与误报计数方式、平滑延迟，以及硬件功耗测量条件。摘要未提供代码或完整训练配置，其类别不平衡处理与部署经验的可复用性仍需在具体任务中验证。