通过各向异性扩散实现无电池植入式连续 EEG 监测

基于摘要分析。本文研究连续 EEG 监测中的低功耗计算问题，提出利用电路各向异性扩散实现卷积的模拟 Convolutional Processing Unit（CvPU），并以 EEG 癫痫发作检测为应用任务，探索面向无电池植入式设备的混合模拟—数字处理方案。 核心机制是将各向异性扩散的电路特性用于卷积运算，而非仅在数字处理器上执行卷积。配套控制器支持在同一 CvPU 阵列上依次执行多个连续卷积层，形成计算阵列复用路径。摘要未给出扩散过程与卷积核的具体映射、权重配置方式、模拟—数字接口及网络结构，这些实现细节尚未验证。 作者报告，癫痫发作检测网络在一个公开临床数据集上接受评估；CvPU 阵列卷积的性能与可行性指标通过 SPICE 仿真评估。作者还报告研究了功耗与空间占用的可扩展性、无电池及植入式应用的可行性，并与数字及混合模拟—数字方法进行比较。摘要未提供数据集名称、被试数量、数据划分、检测指标、功耗数值或对照配置，因而无法量化其检测效果与能效优势，实验协议、消融及统计信息尚未验证。 本文的主要贡献属于 EEG 处理硬件与计算架构，不能据此认定已实现可长期运行的无电池植入式监测系统，也不能将癫痫发作检测直接视为 BCI 控制验证。复现与应用评估需核对电路模型及非理想因素、卷积映射、控制时序和完整系统能耗边界，并区分 SPICE 仿真、数据集评估与真实硬件或植入验证的证据。能量来源、供电稳定性及长期监测条件在现有摘要中尚未验证。