使用近似脉冲卷积 Transformer 进行癫痫发作检测与预测

基于摘要分析。该研究面向长时程头皮 EEG 中癫痫发作片段的检测与预测，提出神经形态脉冲卷积 Transformer 模型 Spiking Conformer，以原始 EEG 为输入，探索在维持分类性能的同时降低计算需求。其主要研究对象是癫痫 EEG 分析，摘要不提供 BCI 控制任务的验证。 核心机制是利用基于脉冲的加法运算替代非脉冲对应模型中的部分计算，并引入近似脉冲神经元层，进一步减少脉冲触发的神经元更新。作者报告，该近似层可将此类更新减少近 38%，且不牺牲准确率；摘要未给出这一比较对应的准确率数值、详细设置及统计信息，尚不能判断其适用范围。具体网络结构、近似规则、训练方式及损失函数尚未验证。 作者报告，在 Boston Children's Hospital-MIT（CHB-MIT）EEG 数据集上，Spiking Conformer 的癫痫发作检测平均敏感度为 94.9%、特异度为 99.3%；癫痫发作预测的平均敏感度为 96.8%、特异度为 89.5%。这些结果对应摘要所述的片段分类评估，但被试范围、被试内或跨被试划分、片段构建方式、预测时间窗及类别比例尚未验证，因此不能直接外推为连续在线预警性能。 作者还报告，相较非脉冲对应模型，所需运算量降低超过 10 倍。运算量减少不等同于已经验证的硬件能耗或端到端延迟收益。复现时需核对脉冲运算与神经元更新的计数口径、对照模型配置、数据划分、近似层消融及统计信息；用于实际预警的误报频率与事件级评估也尚需全文确认。