跳到正文

算法、任务与模态

Wearable EEG 最新动态

Wearable EEG 研究索引；按可核对的标签归档，不以热度评价质量。

43 条精选近 30 天 3 条共收录 87 条

更新

精选归档 · 第 3 页

1月1日周一第 41–43 条
  1. OpenReview · EEG77

    面向局灶性癫痫患者可穿戴发作检测系统开发的头皮 EEG 与耳后 EEG 比较

    基于摘要分析。该研究针对局灶性癫痫患者的连续可穿戴监测需求，通过同步比较头皮 EEG 与耳后 EEG，考察耳后记录能否保留有意义的癫痫放电并支持自动发作检测。研究对象是癫痫监测，而非 BCI 控制或意图解码。 研究同步采集了 12 名颞叶、顶叶或枕叶癫痫患者的传统头皮 EEG 和耳后 EEG；耳后记录包含跨头通道（cross-head channels）及单侧通道。分析涵盖眨眼引起的眼电（EOG）伪迹、发作期间的时域波形与频率内容、相干性，以及基于支持向量机（SVM）的自动发作检测。这种同步比较有助于在相同发作事件下评估不同记录位置的信号与检测表现。 作者报告，跨头通道中未观察到眨眼 EOG 伪迹，单侧通道中的伪迹幅度显著较小；发作期间，耳后 EEG 的时域波形和频率内容在视觉上与头皮 EEG 相似，相干性分析也支持耳后记录捕获了有意义的癫痫放电。上述结果支持耳后记录的信号可用性，但不能直接推广为对所有日常活动伪迹均具有鲁棒性。 在这批同步记录上使用 SVM 进行自动发作检测时，作者报告：头皮 EEG 的中位敏感度为 100%，误检率为每小时 1.14 次；耳后 EEG 的中位敏感度为 94.5%，误检率为每小时 0.52 次。作者据此认为两类记录可取得可比的检测表现。敏感度与误检率需联合解读，不能仅凭耳后记录误检率较低就认定其整体优于头皮 EEG。 摘要未说明检测特征、SVM 配置、训练与测试划分、记录时长、发作数量及检测延迟，实验协议、消融及统计信息尚未验证；也无法判断这些指标属于被试内还是跨被试评估。当前证据支持耳后 EEG 用于局灶性癫痫发作检测的可行性，但长期日常佩戴、不同患者与发作类型下的泛化，以及实际设备条件下的表现仍需核对全文或进一步验证。

    阅读价值：该研究通过同步采集头皮与耳后 EEG，结合信号一致性分析及 SVM 发作检测，为评估耳后电极用于局灶性癫痫可穿戴监测提供了可核对的证据，但日常佩戴效果与检测泛化能力尚未验证。

1月1日周五
  1. OpenReview · EEG72

    使用耳内 EEG 检测驾驶员困倦

    基于摘要分析。该研究关注耳内 EEG 能否在降低佩戴侵扰的同时，支持驾驶员清醒—困倦状态分类，并与头皮 EEG 及外周生理信号进行性能比较。其主要贡献是对耳内 EEG 用于困倦检测的可行性开展直接评估，而非提出摘要中可明确辨识的新分类算法。 研究同时测试了心电图（ECG）、光电容积描记（PPG）和皮肤电反应（GSR），以比较不同信号在测量便利性与分类性能之间的取舍。作者称这是首次评估耳内 EEG 在驾驶员清醒—困倦分类中的表现；这一优先性声明尚未独立核实。 作者报告，在本文清醒—困倦分类评估中，耳内 EEG 获得了较高的分类 Accuracy，表现可与单个头皮 EEG 通道相比；ECG、PPG 和 GSR 仅在两两组合使用时表现出有竞争力的性能。摘要未提供具体 Accuracy、置信区间或显著性检验，因此不能量化性能差距，也不能将“可比”理解为已通过统计等效性验证。该对照针对单个头皮 EEG 通道，不应扩展为耳内 EEG 与多通道头皮 EEG 等效。 作者据此认为，耳内 EEG 可能成为单通道 EEG 或单一外周信号困倦监测的替代方案。被试数量、驾驶任务环境、状态标注依据、耳内电极配置、预处理、特征与分类器，以及被试内或跨被试划分均尚未验证；实验协议、消融及统计信息也需全文核对。实际部署价值仍需结合运动伪迹、佩戴稳定性及跨会话表现评估，摘要结果不能直接证明真实道路条件下的可靠性。

    阅读价值：该研究直接比较耳内 EEG、单个头皮 EEG 通道与外周生理信号在驾驶员清醒—困倦分类中的表现，为评估低侵扰困倦监测方案提供了可核对的对照思路，但具体性能与泛化能力尚未验证。

12月31日周五
  1. OpenReview · EEG80

    用于长期癫痫发作检测系统的集成特征提取处理器的微功耗 EEG 采集 SoC

    基于摘要分析。该研究针对癫痫患者持续发作起始检测中的采集与无线传输功耗问题，提出集成 EEG 采集和特征提取的低功耗 SoC。其主要贡献是将部分信号处理移至采集端，以特征向量代替原始 EEG 向中央设备传输；研究对象是长期癫痫监测硬件系统，而非通用 BCI 解码算法。 每颗 SoC 对应一个 EEG 通道，摘要说明可根据患者情况佩戴最多 18 个通道，但这不是已报告的被试数或统一实验配置。芯片集成仪表放大器、ADC 和数字特征提取处理器，癫痫检测则由中央设备上的机器学习分类器完成。仪表放大器采用斩波稳定技术，在 1 V 工作电压下实现高输入阻抗并抑制较大的电极偏置；ADC 通过电源门控降低每次转换能耗，同时采用静态偏置保障比较器精度。特征提取硬件的参数通过患者数据验证确定，摘要未说明具体特征、分类器或验证划分。 作者报告，相较于传输 EEG 数据的方案，传感与本地处理的集成通过降低无线数据传输速率，使系统功耗降低 14 倍；具体对照实现及系统功耗核算范围尚未验证。作者报告特征向量输出速率为 0.5 Hz，完整单通道 SoC 由 1 V 电源供电。摘要中的每特征向量能耗写为“9 ¿ J”，单位字符存在异常，因此不能可靠还原为具体能量单位。 评估该方案时，需进一步核对特征提取内容、患者数据规模、被试内或跨被试协议、检测灵敏度、误报与延迟，以及通道数扩展后的总功耗。实验协议、消融及统计信息尚未验证；低功耗结果本身不构成癫痫检测准确性或临床有效性的证据。

    阅读价值：该研究值得阅读的具体原因是将 EEG 采集与本地特征提取集成到低功耗 SoC，并量化减少无线传输的系统功耗收益；其检测性能与功耗核算边界仍需全文核对。