面向低功耗应用的能效癫痫检测
信号处理
2025-05-12 v1 机器学习
摘要
癫痫是全球最常见的慢性神经疾病, 通常伴有反复发作的癫痫发作。神经植入设备可通过检测并抑制即将发生的癫痫发作来有效治疗。由于神经植入设备受限的尺寸和有限的电池寿命, 所采用的方法也必须在尺寸和能耗上受到限制。我们提出一种适用于低功耗边缘设备的能效癫痫检测方法, 采用TC-ResNet和时间序列分析。该方法无需前置特征提取即可实现精准癫痫检测, 同时满足神经植入设备的严格硬件要求。该方法使用CHB-MIT皮层EEG数据库进行验证, 分别采用32位浮点模型和适用于硬件的4位定点模型。该方法在该数据集上以4位定点表示实现了95.28%的准确率、92.34%的灵敏度和0.9384的AUC得分。此外, 该模型在低功耗AI加速器UltraTrail上的功耗测量仅需平均495 nW。由于此低功耗, 该分类方法适用于神经植入设备等低功耗可穿戴设备上的实时癫痫检测。
引用
@article{arxiv.2406.16948,
title = {Energy-Efficient Seizure Detection Suitable for low-power Applications},
author = {Julia Werner and Bhavya Kohli and Paul Palomero Bernardo and Christoph Gerum and Oliver Bringmann},
journal= {arXiv preprint arXiv:2406.16948},
year = {2025}
}
备注
Accepted at IJCNN 2024 (Preprint)