基于 RRAM 的仿生电路：面向移动端的癫痫相关性提取与发作预测

基于摘要分析。研究针对非侵入式移动 EEG 长期癫痫监测的电池续航限制，提出受神经元机制启发的 RRAM 仿生电路系统，用于相关性特征提取与癫痫发作预测。主要贡献是探索预测计算的低能耗硬件实现，而非一般性的 BCI 解码方法。 机制方面，作者以电阻式随机存取存储器（RRAM）及存内计算（CIM）作为降低计算能耗的技术基础，将特征提取和预测安排在电路系统中。摘要未说明相关性的数学定义、神经元机制如何对应电路、预测模型结构，以及训练与硬件映射流程，这些内容尚未验证。 作者报告，在 CHB-MIT 癫痫数据集上，平均灵敏度为 91.2%，每小时假阳性率（FPR/h）为 0.11，并报告提前 29.2 分钟预测；但被试范围、训练与测试划分、是否采用被试内或跨被试评估，以及预测时间窗和报警判定规则尚未验证，因此不能据此判断跨被试泛化或临床报警效用。 硬件方面，作者报告仿真芯片面积约为 0.83 mm²、延迟为 62.2 μs；特征提取阶段功耗为 24.4 mW，预测阶段为 19.01 mW，处理一个 3 秒数据窗口的累计能耗为 1.515 μJ。作者报告，相较于其所比较的最高能效既有癫痫预测方法，计算能耗降低 81.3%；具体对照、计算边界及协议一致性尚未验证，不能直接扩展为整机能耗或续航改善。 复现需核对电路与器件参数、仿真条件、EEG 预处理及通道配置、数据划分、报警指标定义和能耗计量范围。实验协议、消融及统计信息尚未验证；真实器件非理想性和移动采集噪声下的性能也需进一步核对。摘要提供的是数据集预测结果与芯片仿真证据，不构成实际移动设备验证或临床实践建议。