HengNet

基于摘要分析。该研究针对 EEG 癫痫发作预测与检测中分类准确率、响应延迟和计算负载难以兼顾的问题，提出面向边缘计算的 HengNet。其核心是 Two-level Reuse Algorithm（TRA），通过复用中间层输出，降低频繁推理时的平均计算负载；研究对象是癫痫监测，而非通用 BCI 解码。 机制上，摘要明确了中间层输出复用这一设计，但未说明“两级”分别对应什么、何时触发复用、缓存如何更新，以及训练与推理阶段如何配合。这些细节决定复用能否在节约计算的同时保留对发作相关信号变化的敏感性，需取得全文核对。 作者报告，在 CHB-MIT 数据集的患者特异性评估中，癫痫发作预测和检测的 Accuracy 分别为 95.67% 与 99.60%；摘要同时报告平均每次推理计算量为 0.05 million MACs、模型参数量为 6.87 K。作者还报告，在每秒 32 次推理的条件下，相比所比较方法，预测任务计算负载降低超过 19.4 倍，检测任务降低超过 6.4 倍；具体对照方法及计算量统计边界尚未验证。这些结果不能直接视为跨被试泛化性能，也不能将 MACs 降幅等同于端到端延迟或能耗降幅。 复现时需优先核对患者内数据划分、预测与检测的窗口及标签定义、发作前期定义、复用状态在数据划分边界的处理，以及计算量是否包含缓存与控制开销。实际硬件延迟、误报率、事件级敏感度、实验协议、消融及统计信息尚未验证；仅凭摘要中的 Accuracy 尚不足以判断连续临床监测的实用性。