用于癫痫发作检测的 41.2 nJ/class、32 通道片上分类器

基于摘要分析。该研究面向患者特异性的 iEEG 癫痫发作检测，提出一款 32 通道片上分类架构，通过特征提取、滤波与决策树推理的硬件协同设计，降低能耗、面积和延迟的综合开销。其主要贡献是检测算法的芯片实现，而非通用 EEG 解码模型。 系统采用由八棵梯度提升决策树组成的集成，每棵树配有完全可编程的 Feature Extraction Engine（FEE）及 FIR 滤波器，持续处理输入通道。在闭环架构中，FEE 复用单个滤波结构来执行决策树自顶向下的流程，FIR 滤波器系数通过共享存储器进行多路复用。这一设计将决策树执行流程与滤波资源复用结合，以缓解能耗、面积和延迟之间的权衡。 作者报告，原型采用 TSMC 65 nm CMOS 工艺，尺寸为 540 × 1850 μm²，配置 1 kB 寄存器型存储器，每次分类能耗为 41.2 nJ/class。在包含 20 名患者、361 次癫痫发作的 2253 小时 iEEG 数据上，作者报告特异度为 88.1%、敏感度为 83.7%；摘要未说明患者特异性训练与测试的具体划分，不能据此解释为跨被试泛化表现。作者还报告，相较其采用的当时先进方案，Energy-Area-Latency 乘积改善 27 倍，具体对照对象、测量条件及可比性尚未验证。 复现与评估需进一步核对输入特征、树的训练与配置方式、检测窗口及事件判定协议，以及每次分类能耗的测量边界。实验协议、消融及统计信息尚未验证；敏感度和特异度也不能直接替代事件级误报率或检测延迟。现有材料支持其作为 iEEG 检测硬件方案的研究价值，不足以推断临床闭环干预效果。