Energy-Efficient Seizure Detection Suitable for low-power Applications

癫痫是全球最常见的慢性神经疾病，通常伴随着反复发作的癫痫发作。神经植入物可以通过在检测到癫痫发作时抑制它来进行有效治疗。由于这些医疗设备的尺寸受限且电池寿命有限，所采用的方法也需要尺寸小、能耗低。我们提出了一种能效高的癫痫检测方法，涉及TC-ResNet和时间序列分析，适用于低功耗边缘设备。该方法允许在不进行前置特征提取的情况下进行准确的癫痫检测，同时考虑到神经植入物的严格硬件要求。该方法使用CHB-MIT头皮脑电图数据库进行验证，使用32位浮点模型和适合硬件的4位定点模型。所提出的方法在4位定点表示下在该数据集上实现了95.28%的准确率、92.34%的灵敏度和0.9384的AUC分数。此外，该模型的功耗使用低功耗AI加速器UltraTrail进行测量，平均仅需要495 nW。由于这种低功耗消耗，该分类方法适用于低功耗可穿戴设备，如神经植入物的实时癫痫检测。

本论文旨在解决癫痫患者需要小型低功耗神经植入物进行治疗的问题，提出了一种适用于低功耗边缘设备的能效性癫痫检测方法。

论文提出了一种使用TC-ResNet和时间序列分析的能效性癫痫检测方法，该方法不需要进行前置特征提取，适用于小型低功耗神经植入物。

论文使用CHB-MIT头皮EEG数据库验证了该方法在4位定点表示下的准确率为95.28％，灵敏度为92.34％，AUC分数为0.9384。同时，论文还使用低功耗AI加速器UltraTrail测量了模型的功耗，仅平均需要495 nW。该方法适用于低功耗可穿戴设备等边缘设备上进行实时癫痫检测。

在该领域的相关研究包括：1.基于深度学习的癫痫检测方法的研究；2.使用多种生物特征进行癫痫检测的研究；3.在小型低功耗设备上进行癫痫检测的研究。