集成患者特异性癫痫发作分类与记录处理器的 8 通道可扩展 EEG 采集 SoC
基于摘要分析。该研究针对头皮 EEG 中患者特异性癫痫发作起始活动的连续检测与记录，提出集成 8 通道模拟前端、机器学习分类处理器及 64 KB SRAM 的可扩展片上系统（SoC）。主要贡献是将 EEG 采集、分类及原始信号缓存整合为硬件系统，而非单独提出新的 EEG 分类算法。 技术机制方面，分类处理器采用支持向量机（SVM），并通过 Distributed Quad-LUT 滤波架构降低面积及功耗与延迟乘积的开销。模拟前端（AFE）采用斩波稳定电容耦合仪表放大器；作者报告，在 0.5–100 Hz 带宽下，噪声效率因子（NEF）为 5.1，输入折算噪声（noise RTI）为 0.91 μVrms。GBW 控制器向 AFE 提供实时增益与带宽反馈，旨在维持分类准确率；具体反馈策略及其性能贡献尚未验证。 验证与结果方面，作者报告使用 Children's Hospital Boston-MIT EEG database 及快速眼眨模式检测测试验证该 SoC。芯片采用 0.18 μm 1P6M CMOS 工艺，面积为 25 mm²；在眼眨分类测试中，Accuracy 为 84.4%，每次分类能耗为 2.03 μJ。该结果属于眼眨任务，不能解读为癫痫发作检测准确率。作者另报告，64 KB 片上存储器最多可保存 120 秒原始 EEG，但摘要未明确这一容量对应的采样率、量化位宽及通道配置。 阅读与复现时需核对患者特异性分类的训练方式、特征处理、被试与数据划分，以及癫痫检测的灵敏度、误报和检测延迟。摘要未给出这些结果，也不足以判断 Cross-subject 或 Cross-session 泛化能力；实验协议、消融及统计信息尚未验证。其硬件集成可为低功耗 EEG 设备设计提供参考，但对其他 BCI 任务的有效性仍需独立评估。
阅读价值：该研究将 EEG 模拟采集、患者特异性癫痫发作分类与片上记录集成于同一 SoC，值得关注其软硬件协同机制，但摘要中的眼眨分类结果不能替代癫痫检测性能证据。