使用近似脉冲卷积 Transformer 进行癫痫发作检测与预测

基于摘要分析。该研究面向长时程头皮 EEG 中的癫痫发作片段检测与预测，提出小型神经形态脉冲卷积 Transformer——Spiking Conformer，重点是在保留分类性能的同时降低计算开销，而非验证通用 BCI 解码能力。 模型直接以原始 EEG 为输入，通过基于脉冲的加法运算降低相对于非脉冲模型的分类计算成本，并引入近似脉冲神经元层，以减少脉冲触发的神经元更新。作者报告，该近似机制使此类更新减少近 38%，且未牺牲准确性；但摘要未提供该比较的具体准确性数值、误差范围或统计检验。 在 Boston Children's Hospital-MIT（CHB-MIT）EEG 数据集上，作者报告：癫痫发作检测的平均敏感度为 94.9%、特异度为 99.3%；发作预测的敏感度为 96.8%、特异度为 89.5%。作者同时报告，相较等效非脉冲模型，所需操作量减少超过 10 倍。摘要未说明这些结果采用被试内还是跨被试协议，也未给出训练与测试划分、预测提前量、时间窗口及报警评价方式，因此不能据此判断跨患者泛化能力或临床预警效用。 复现时需核对近似神经元更新规则、训练方法、非脉冲对照的等效条件，以及操作量统计口径。操作量下降不直接等同于实际设备上的能耗或延迟下降；硬件实测、实验协议、消融及统计信息尚未验证。