适用于低功耗应用的高能效癫痫发作检测

基于摘要分析。该研究面向神经植入设备受尺寸与电池寿命约束的癫痫发作检测问题，提出结合 TC-ResNet 与时间序列分析的方法，无需预先进行特征提取，并以低功耗边缘部署为目标。 方法与验证：作者使用 CHB-MIT Scalp EEG Database 验证了 32-bit 浮点模型及适合硬件实现的 4-bit 定点模型。摘要未交代 TC-ResNet 的具体结构、时间序列分析的作用方式、量化流程，以及训练和推理配置，这些内容尚未验证。 作者报告，在该数据库上的 4-bit 定点表示条件下，Accuracy 为 95.28%，敏感度为 92.34%，AUC 为 0.9384。摘要未说明这些结果对应被试内还是跨被试评估，也未给出数据划分、窗口构造和类别分布，因此不能直接与其他协议下的结果比较。32-bit 模型的对应指标及量化前后的性能差异尚未验证。 作者还报告，使用低功耗 AI 加速器 UltraTrail 测量时，模型平均功耗为 495 nW，并据此认为该方法适用于低功耗设备上的实时癫痫发作检测。需要进一步核对功耗测量是否涵盖数据搬运、时间序列处理等环节，以及检测延迟、误报频率和实际硬件运行条件。 适用边界：该研究的验证数据来自头皮 EEG，而应用动机包括神经植入设备；头皮 EEG 上的结果并不直接构成植入式信号或临床闭环治疗有效性的证据。实验协议、消融及统计信息尚未验证，当前也不能将发作检测结果解释为发作预测或治疗效果。