用于癫痫发作检测的整数卷积神经网络

基于摘要分析。研究面向颅内与头皮 EEG 的癫痫发作检测，针对植入式或可穿戴设备的计算与存储限制，提出整数卷积神经网络实现 Integer-Net，旨在提供内存高效、适合硬件部署的统一 CNN 框架。其主要研究对象是癫痫发作检测，而非 BCI 指令解码。 作者指出，依赖大量手工特征提取的既有方法计算开销较高，且可能具有数据集特异性，因而限制了包括专用集成电路在内的硬件实现。Integer-Net 的核心路径是以低位宽整数 CNN 实现替代高精度实值实现；摘要提到讨论整数卷积结构，以提升计算收益并缩短实时应用的推理时间，但具体整数表示、量化与训练方式、网络结构及损失函数尚未验证。 作者在 Freiburg Hospital 颅内 EEG 数据集、Children's Hospital of Boston-MIT 头皮 EEG 数据集，以及 UPenn and Mayo Clinic's seizure detection 数据集上评估该方法，并报告在三个数据集上具有一致的癫痫发作检测表现。这不等同于已验证跨数据集泛化。作者报告，相较于 32-bit 实值 CNN，4-bit Integer-Net 的 Accuracy 仅下降 2%，内存效率提升超过 7 倍；摘要未明确该下降是相对百分比还是百分点，也未提供各数据集分项结果及数据划分，因此不宜进一步换算或与其他协议直接比较。 复现时需核对整数运算的具体实现、模型与中间激活的存储统计口径，以及两个精度版本的训练和评估设置。被试数量、被试内或跨被试协议、事件级检测指标、消融及统计信息尚未验证；目标硬件上的推理延迟、功耗和实际资源占用也尚未验证。摘要中的内存收益不能直接替代实时性或临床可用性的证据。