面向神经疾病检测的低成本分类方法

基于摘要分析。该研究针对脑植入设备、可穿戴传感器等资源受限场景中的神经疾病检测，提出基于梯度提升决策树的硬件友好分类模型，通过定点量化与低成本推理降低嵌入式处理开销。主要研究对象是癫痫发作及帕金森病震颤检测，而非通用 BCI 解码。 方法上，作者将叶节点权重的低位宽表示与推理成本优化结合，目标是在保持检测性能的同时降低特征提取开销。摘要未说明成本优化的具体机制、训练目标、特征集合及量化流程，因此尚不能判断其收益分别来自特征选择、特征计算调度还是其他策略。 作者报告，在来自14名癫痫患者的 iEEG 数据上，模型将特征提取成本降低53.1%，并将叶节点权重量化为4 bit，同时保持癫痫发作检测性能。在另一项使用12名帕金森病患者局部场电位进行震颤检测的实验中，作者报告成本降低55.4%，叶节点权重量化为12 bit。第二项实验的成本口径及量化后的检测性能细节未在摘要中展开；上述两组成本降幅不应直接视为整机功耗降幅。 复现时需核对数据划分属于被试内还是跨被试、成本计算口径与对照基线，以及检测指标、量化前后差异和实际硬件延迟及功耗。实验协议、消融及统计信息尚未验证。其片上实时检测定位具有明确应用背景，但摘要不足以确认已经完成芯片部署或端到端实时验证。