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月龄的雄性大鼠被植入硬膜外电极。总共有超过150小时的记录。该数据集己通过门户正EE数据端口[221上的开放访问获得。实验是按照德国有关动物保护的法律进行的，并得到了基尔大学动物护理和伦理委员会的批准。

滑动窗口

重叠技术  生成更多的发作期数据 平衡

cnn架构：

本工作中使用的CNN架构如图2所示，它基于SeizureNet CNNI121。 在112]中，分析了各种体系结构元素和功能，以评估节能癫痫检测分类器的运行时和内存需求。这包括诸如卷积、密集层(全连接层）、池化层和不同激活函数等层类型。虽然[121中的网络是使用“Epilepsiae”数据集进行评估的，特别是在弗莱堡大学记录的颅内脑电图数据集，但我们的工作是基于CHB-MIT[211数据集。

我们工作中的CNN针对未来可植入式系统的超低功耗和能耗进行了优化。在我们的工作中开发和呈现的CNN的训练、验证和优化是在MATIAB中使用MATIAB深度学习工具箱进行的。源代码已在开放获取许可(28]下在线提供，以使在未来的研究项目中快速采用。

从患者的角度来看，在癫痫发作发生前进行检测，而不是在发作期间进行检测，是非常可取的。这将允许发出警告并采取预防措施1291。分析了利用已开发的基于cnn的分类模型预测
癫痫发作的能力。虽然对发作前阶段的长度没有明确统一的定义，但各种著作将发作前1小时以内的一段时间定义为发作前
本节仅使用非发作文件的脑电图数据进行训练、验证和测试，模型在MATLAB中进行训练。对20例患者中的19例的不同时间段的癫病发作记录进行分析，这些时间段被定义为发作前阶段。假设预测质量取决于发作前期的长度。如果在发作前阶段就有关于即将发生的癫痫的信息，那么可以预期，当分类器考虑到更长的发作前阶段的时间周期时，预测质量会增加。将发作前阶段的长度选择为5分钟、10分钟、20分钟和30分钟。分析了预测的性能和发作前阶段长度的影响。

评价指标：
灵敏度
特异性
误报率
AUC-score