用于癫痫发作预测的节能神经网络

基于摘要分析。该研究面向难治性癫痫患者的发作预测，针对深度学习模型参数量、硬件资源需求与能耗限制，采用神经架构搜索及模型压缩，探索适用于低功耗可穿戴或植入式设备的预测模型。主要研究对象是头皮 EEG 与颅内 EEG 的癫痫发作预测，而非通用 BCI 解码。 方法方面，作者通过神经架构搜索获得了一个存储大小为 45 kB 的模型，并在三个公共数据集上评估，随后采用多种模型压缩方法进一步缩减模型。摘要未给出搜索空间、网络结构、压缩方法、训练目标及信号处理流程，具体实现尚未验证。 结果方面，作者报告，在三个公共数据集上，灵敏度、误预测率和 ROC 曲线下面积分别为：99.81%、0.005/h、1；93.48%、0.063/h、0.977；85.19%、0.116/h、0.933。摘要未提供数据集名称、被试数量、数据划分，以及被试内或跨被试等评估协议，因此这些结果只能按各自数据集记录，不能直接视为跨数据集泛化证据。作者还报告，头皮 EEG 模型大小低于 50 kB、颅内 EEG 模型大小低于 10 kB 时，其性能优于所比较的相近大小模型；比较范围与基线设置需核对全文。 部署方面，作者估算头皮 EEG 的单次推理能耗低于 10 mJ，颅内 EEG 低于 0.5 mJ，并据此认为分别满足低功耗可穿戴与植入式设备的要求。该结果属于能耗估算，目标硬件、估算边界、推理频率及持续监测整机功耗尚未验证。复现需重点核对发作前期定义、预测时间窗、误预测率计算方式、模型存储口径及压缩前后的性能变化；实验协议、消融及统计信息尚未验证。