009基于卷积神经网络的超低功耗嵌入式RISC-V处理器癫痫发作检测-2021

Epileptic Seizure Detection on an Ultra-Low-Power Embedded RISC-V Processor Using a Convolutional Neural Network

abstract：本工作提出了一种能够在超低功耗微处理器上运行的癫痫发作检测CNN。

数据集：CHB-MIT

1.introduction：发展的顶峰就是一种的可植入的闭环系统，用于在发作期按需干预，必须通过自动发作分类系统足够快地发作期。

检测的经典方面面临的挑战是开发一种能够处理同一主体内癫痫发作变化特征的模型。

不同的方法依赖于特征提取与分类策略相结合。

这些特征是基于小波的滤波器、频带和光谱分析、发作的坡度、高度和持续时问特征或跨通道相关性［10］。Lawhern等人(11]通过EEGNet表明，通过紧凑的卷积神经网络，可以实现最先进的癫痫分类和解释。〔12］中引1入了针对超低功耗需求优化的CNN。这种名为“SeizureNet”的检测器对有创颅内脑电图记录的长期灵敏度中值达到0.96。[13,14]对基于深度学习的癫痫发作预测效率进行了分析和比较。

本文提出了一种适用于超低功耗RISC-V嵌入式处理器并基于CNN的癫痫发作检测器。CNN的实现、训练和验证都是在MATLAB中使用开源的CHB-MIT数据集完成的。对检测算法的主要要求是超低功耗硬件实现的可行性。同时，检测算法必须达到最先进的检测性能。低功耗、低复杂度的架构要求降维和小内存使用量。

此外，本文提出的算法和癫痫检测方法通过啮齿类动物模型的脑电图记录数据进行了验证。我们使用了来自斯特拉斯堡的遗传缺位癫痫大鼠(GAERS)，它代表了广泛性癫痫的最佳建立的啮齿动物模型之一。这些大鼠的癫痫发作表现为典型的
“尖波放电”脑电图模式。在这项研究中，6 -9月龄的雄性大鼠