EpiDeNet：面向嵌入式系统的能效型癫痫发作检测方法

基于摘要分析。研究针对日常长期癫痫监测中的数据类别严重不平衡与可穿戴设备算力、能耗受限问题，提出轻量级发作检测网络 EpiDeNet，以及纳入敏感度和特异度的 Sensitivity-Specificity Weighted Cross-Entropy（SSWCE）损失。其主要研究对象是 EEG 癫痫发作检测，而非 BCI 指令解码。 方法上，EpiDeNet 负责轻量化检测，SSWCE 用于应对类别不平衡，并结合基于三个窗口多数投票的平滑方案抑制误报。摘要未提供网络结构、损失公式、窗口长度或训练细节，尚不能判断敏感度与特异度如何参与优化，也需核对平滑方案引入的检测延迟。 作者报告，在仅使用四个 EEG 通道的条件下，EpiDeNet-SSWCE 在 CHB-MIT 和 PEDESITE 上分别检出 91.16% 和 92.00% 的癫痫发作事件；这些数值是事件检出比例，不能改写为 Accuracy。作者还报告，三窗口多数投票平滑与 SSWCE 结合使误报减少至原来的约三分之一，达到 1.18 FP/h；摘要未明确该误报结果对应的数据集、具体对照及评估划分。被试内或跨被试协议、通道选择、事件匹配规则、消融及统计信息尚未验证。 嵌入式评估覆盖 ARM Cortex M4F/M7 与 PULP 系统 GAP8/GAP9。作者报告，最节能的 GAP9 实现达到 40 GMAC/s/W，在 726.46 MMAC/s 的计算性能下单次推理耗能为 0.051 mJ，能效约为其评估中最佳 ARM Cortex 方案的 160 倍。这些结果针对模型推理实现，不能直接等同于包含 EEG 采集、通信及待机开销的可穿戴系统续航提升。 复现需核对数据划分、预处理、四通道配置、SSWCE 定义、平滑与事件计数规则，以及各硬件平台的精度格式和功耗测量范围；代码与权重可用性尚未验证。摘要支持其作为低功耗 EEG 监测方案的阅读价值，但不构成日常临床有效性或 BCI 任务有效性的证据。