硬件高效的癫痫发作检测

基于摘要分析。该研究面向植入式医疗设备、可穿戴设备等受能耗与资源约束的应用，提出基于梯度提升决策树的硬件高效分类方法，并以 iEEG 癫痫发作检测检验性能与硬件成本之间的权衡。 方法上，作者在训练中引入与特征提取相关的能耗成本，并通过定点量化缩减模型大小；同时针对癫痫发作检测优化滤波器阶数和系数分辨率。其核心思路是联合考虑特征计算与模型表示的硬件开销，而不仅关注分类性能。具体目标函数、能耗建模方式和参数优化流程尚未验证。 作者报告，在来自 10 名癫痫患者的 iEEG 记录上，相比基础模型，能耗成本降低 68.4%；树的叶节点权重与阈值分别可量化至 3 bit 和 10 bit，同时保持分类性能。摘要未提供基础模型的具体配置、分类指标及其数值，也未说明被试内或跨被试划分，因此不能据此判断泛化能力或与其他检测方法直接比较。 复现时需核对特征集合、能耗估算或实测边界、量化实现、硬件平台，以及发作与非发作样本的划分和评价协议。实验协议、消融及统计信息尚未验证。该结果针对 iEEG 癫痫发作检测，不构成其他 EEG 或 BCI 任务有效性的证据。