SOUL：一种节能的无监督在线学习癫痫发作检测分类器

基于摘要分析。研究针对植入式癫痫发作检测系统中神经信号长期漂移、离线训练分类器需要人工重新训练的问题，提出 SOUL（Stochastic-gradient-descent-based Online Unsupervised Logistic regression classifier），并将其实现为低能耗芯片。 核心机制是在初始离线训练后，持续在设备端执行无监督在线分类器更新，以适应癫痫发作特征的变化。其方法基础是随机梯度下降与逻辑回归；摘要未交代无监督更新的目标构造、更新触发条件、特征提取方式及防止错误累积的机制，这些实现细节尚未验证。 作者报告，在 CHB-MIT 头皮 EEG 数据集和记录时长超过 100 小时的颅内 EEG 数据集上，SOUL 在特异度均超过 95% 的条件下，平均敏感度分别达到 97.5% 和 97.9%。作者还报告，在长期数据上，相比一种典型癫痫发作检测分类器，敏感度最高改善 8.2%；摘要未明确该改善为相对百分比还是百分点，也未说明对应的具体对照配置。被试数量、训练与测试划分、时间顺序及被试内或跨被试协议尚未验证，因此不能据此推断跨被试泛化能力。 硬件方面，作者报告采用 TSMC 28 nm 工艺制造，芯片面积为 0.1 mm²，每次分类能耗为 1.5 nJ，并称能效较当时最先进方案至少提升 24 倍。该比较的任务配置、能耗计量范围，以及是否包含特征提取和在线更新开销，仍需查阅全文核对。 本研究直接面向 EEG 癫痫发作检测与植入式设备部署，并非通用 BCI 解码效果验证。复现重点是长期漂移下在线更新的稳定性、敏感度与特异度的权衡，以及算法更新和硬件能耗的对应关系；完整实验协议、消融及统计信息尚未验证。