EpiDeNet：面向嵌入式系统的高能效癫痫发作检测方法

基于摘要分析。该研究面向日常长期监测中的 EEG 癫痫发作检测，针对发作数据高度不平衡以及可穿戴设备计算与能耗受限的问题，提出轻量级检测网络 EpiDeNet 和 Sensitivity-Specificity Weighted Cross-Entropy（SSWCE）损失，并评估其在低功耗嵌入式平台上的实现。 方法方面，SSWCE 将敏感度与特异度纳入损失设计，以应对类别不平衡；摘要未提供具体数学形式、权重设置或网络结构。研究还采用基于三个窗口多数投票的平滑机制，降低误报。损失与后处理各自的贡献、窗口长度及平滑带来的检测延迟，需要结合全文核对。 检测结果方面，作者报告，仅使用四个 EEG 通道时，EpiDeNet-SSWCE 在 CHB-MIT 和 PEDESITE 上分别检出 91.16% 和 92.00% 的癫痫发作事件；这些数字是事件检出比例，不能改写为 Accuracy。作者报告，三窗口多数投票平滑结合 SSWCE 将误报降低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与对照条件，也未给出被试内或跨被试划分、事件匹配标准、通道选择及统计不确定性，相关实验协议、消融及统计信息尚未验证。 部署方面，作者在 ARM Cortex M4F/M7 与 PULP 系统 GAP8/GAP9 上进行评估。作者报告，最高效的 GAP9 实现达到 40 GMAC/s/W，在 726.46 MMAC/s 的运行性能下单次推理耗能为 0.051 mJ，能效约为所比较的最佳 ARM Cortex 实现的 160 倍。这些是特定硬件实现的计算能耗结果，不能直接等同于完整可穿戴设备的续航；输入窗口、数值精度、功耗测量边界及实现配置仍需核对。 原论文的主要对象是 EEG 癫痫发作监测，而非 BCI 控制任务。复现价值主要在于联合检查不平衡学习、误报后处理与硬件部署的权衡；摘要未提供代码可用性及完整复现条件。