EpiDeNet：面向嵌入式系统的能效型癫痫发作检测方法

基于摘要分析。该研究面向日常长期癫痫监测中的 EEG 自动发作检测，提出轻量网络 EpiDeNet 与 Sensitivity-Specificity Weighted Cross-Entropy（SSWCE）损失，分别应对可穿戴设备的计算与能耗约束，以及发作数据严重类别不平衡的问题；主要研究对象是癫痫发作检测，而非 BCI 指令解码。 技术上，SSWCE 将敏感度与特异度纳入交叉熵损失，配合三窗口多数投票平滑，旨在兼顾发作检出与误报控制。摘要未提供网络结构、损失公式、窗口长度及投票时序，因此尚不能判断具体权重机制、平滑引入的检测延迟或在线处理方式。 作者报告，在仅使用四个 EEG 通道的条件下，EpiDeNet-SSWCE 在 CHB-MIT 与 PEDESITE 上分别检出 91.16% 和 92.00% 的发作事件；这些数值是事件检出比例，不能等同于 Accuracy。作者还报告，三窗口多数投票与 SSWCE 结合后，误报降至 1.18 FP/h，降低约三倍；摘要未明确该结果对应的数据集及比较基线。被试数、通道选择、被试内或跨被试划分、事件匹配规则、实验协议、消融及统计信息尚未验证。 嵌入式评估覆盖 ARM Cortex-M4F/M7 与 PULP 平台 GAP8/GAP9。作者报告，最优 GAP9 实现在 726.46 MMAC/s 吞吐下达到 40 GMAC/s/W，每次推理耗能为 0.051 mJ，能效约为所比较最优 ARM Cortex 方案的 160 倍。该结论限定于作者评估的实现；时钟、数值精度、内存开销及能耗测量边界尚未验证，单次推理能耗也不等于完整可穿戴设备的功耗。 平台推测（待验证）：SSWCE 与轻量部署策略可能适用于事件稀少的 EEG 检测任务，但这是迁移假设，不代表已验证的 BCI 效果。损失实现可作为候选复用模块，输入通道、时间窗口和事件定义需按目标任务改造；低信噪比、跨被试分布差异及小样本可能使敏感度与误报的平衡失效。可在固定划分与相同网络下对照普通交叉熵和 SSWCE，并分别启用或关闭平滑，核对事件检出率、FP/h、检测延迟及实测能耗。其他 EEG 相关工作尚未检索确认。