一种用于癫痫发作预测的新型神经形态计算方法

基于摘要分析。该研究针对 CNN 癫痫发作预测方法计算开销与功耗较高、难以部署于可穿戴设备的问题，提出将 EEG 样本编码为脉冲序列，再使用 Spiking-CNN 进行预测的神经形态计算方法。 核心机制是通过作者设计的 gaussian random discrete encoder（高斯随机离散编码器）将 EEG 样本转换为脉冲序列，再交由结合 CNN 与脉冲神经网络（SNN）特点的 Spiking-CNN 处理。摘要未提供编码规则、网络结构、神经元动力学、训练方法及推理时间窗，这些实现细节尚未验证。 作者报告，在摘要所述癫痫发作预测实验中，灵敏度为 95.1%、特异度为 99.2%、AUC 为 0.912，计算复杂度相较 CNN 降低 98.58%。但摘要未说明数据集、被试数量、被试内或跨被试划分、预测提前量、对照 CNN 配置，以及计算复杂度的计量方式，因此这些结果只能在该文尚待核对的实验协议下理解，不能直接与其他研究比较。 该工作的主要对象是 EEG 癫痫发作预测，而非通用 BCI 解码。作者据此认为方法具有硬件友好性与较高预测精度；计算复杂度降低并不直接等同于设备实测能耗降低。复现时需核对编码器参数、训练与推理流程、数据划分、发作前状态定义及硬件测量条件；实验协议、消融及统计信息尚未验证。