基于植入式微控制器上高能效卷积神经网络的癫痫早期检测
机器学习
2020-08-14 v1 机器学习
应用统计
摘要
用于癫痫自动早期检测与刺激的植入式闭环设备，是传统手段无法治疗的重症癫痫患者有前景的治疗选择。然而，文献中多数癫痫早期检测方法并未针对长期植入所需的超低功耗微控制器实现进行优化。本文提出一种专为该目的设计的、从颅内 EEG 信号进行癫痫早期检测的卷积神经网络。此外，我们研究了在保持精度的同时满足硬件限制的近似方法。我们将我们的方法与三种先前提出的卷积神经网络以及一种基于特征的 SVM 分类器在检测准确率、延迟和计算需求方面进行比较。评估基于带有长期 EEG 记录的综合数据库。所提方法以 0.96 的中位灵敏度、每小时 10.1 的误检率和 3.7 秒的中位检测延迟优于其他检测器，并且由于其节俭的计算与存储资源使用，是唯一适合在低功耗微控制器上实现的方法。
引用
@article{arxiv.1806.04549,
title = {Early Seizure Detection with an Energy-Efficient Convolutional Neural Network on an Implantable Microcontroller},
author = {Maria Hügle and Simon Heller and Manuel Watter and Manuel Blum and Farrokh Manzouri and Matthias Dümpelmann and Andreas Schulze-Bonhage and Peter Woias and Joschka Boedecker},
journal= {arXiv preprint arXiv:1806.04549},
year = {2020}
}
备注
Accepted at IJCNN 2018