SOUL：一种能效高的无监督在线学习癫痫发作检测分类器
摘要
记录神经活动并检测癫痫发作的植入式设备已被用于发出警告或触发神经刺激以抑制癫痫发作。典型的癫痫发作检测系统依赖于高精度的离线训练机器学习分类器，当癫痫发作模式随时间发生长期改变时需要人工重新训练。对于植入式癫痫发作检测系统，可采用一种低功耗、边缘端、在线学习算法来动态适应神经信号漂移，从而在无外部干预的情况下保持高准确率。本工作提出 SOUL：基于随机梯度下降的在线无监督逻辑回归分类器（Stochastic-gradient-descent-based Online Unsupervised Logistic regression classifier）。在初始离线训练阶段之后，连续在线无监督分类器更新被原位应用，从而改善了具有漂移发作特征患者的灵敏度。SOUL 在两个人类脑电图（EEG）数据集上进行了测试：CHB-MIT 头皮 EEG 数据集，以及一个长时（>100 小时）NeuroVista 颅内 EEG 数据集。在 >95% 特异度下，其分别在两个数据集上达到了 97.5% 和 97.9% 的平均灵敏度。与典型癫痫发作检测分类器相比，在长期数据上灵敏度最多提升了 8.2%。SOUL 采用台积电（TSMC）28 nm 工艺制造，占用 0.1 mm²，并实现 1.5 nJ/分类的能效，比最先进水平至少高 24 倍。
引用
@article{arxiv.2110.02169,
title = {SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier},
author = {Adelson Chua and Michael I. Jordan and Rikky Muller},
journal= {arXiv preprint arXiv:2110.02169},
year = {2022}
}
备注
Copyright 2022 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works