用于癫痫发作预测的二值一维卷积神经网络

基于摘要分析。本文研究 EEG 癫痫发作预测模型的计算与存储负担，提出面向硬件实现的 Binary Single-dimensional Convolutional Neural Network（BSDCNN），以一维卷积和参数二值化兼顾预测性能与资源效率；研究对象是癫痫发作预测，而非 BCI 控制任务。 核心机制是采用一维卷积核处理 EEG 信号，并将除第一层外的全部参数二值化，以降低参数存储与计算需求。作者认为，直接沿用图像识别网络难以充分考虑 EEG 特征，而高精度参数和复杂运算会增加设备资源负担。摘要未交代具体网络结构、二值化训练策略、激活值是否二值化、损失函数及推理实现，这些内容尚未验证。 作者报告，在 American Epilepsy Society Seizure Prediction Challenge（AES）数据集上，整体曲线下面积为 0.915、Sensitivity 为 89.26%、误预测率为 0.117/h；在 CHB-MIT 数据集上，相应结果为 0.970、94.69% 和 0.095/h。摘要未说明被试内或跨被试协议、训练与测试划分、发作前窗口定义及报警评估规则，因此这些数值只能按各自数据集的摘要报告理解，不能直接用于跨协议比较。 作者还报告，相较所比较的近期工作，参数规模和计算量分别缩减 7.2 倍与 25.5 倍，并取得更好的预测表现；具体对照模型、计算量口径以及是否测量真实硬件的延迟、功耗和存储占用尚未验证。复现时应优先核对数据划分、发作预测评价协议、二值化实现及资源统计口径。实验协议、消融及统计信息尚未验证，设备端适用性仍需结合完整论文与实际部署测试判断。