能够在低功耗边缘设备上进行准确癫痫检测的能量高效的脑神经植入装置使用了 TC-ResNet 和时间序列分析方法，并且无需先进行特征提取，同时考虑到神经植入装置的严格硬件要求。通过使用 CHB-MIT Scalp EEG Database 进行验证，32 位浮点模型以及适合硬件的 4 位定点模型在该数据集上取得了 95.28% 的准确率、92.34% 的敏感度和 0.9384 的 AUC 得分。此外，该模型的功耗使用低功耗人工智能加速器 UltraTrail 进行了测量，平均仅需要 495nW。由于低功耗消耗，该分类方法适用于低功耗可穿戴设备（如脑神经植入装置）的实时癫痫检测。

Jun, 2024

本文介绍了一种利用深度学习方法和植入式传感器网络进行预测癫痫发作的闭环系统 SeizNet。研究结果表明，SeizNet 在所有指标上超越传统的单模态和非个性化预测系统，达到了高达 99% 的准确率，为难治性癫痫治疗开辟了有希望的新途径。

Jan, 2024

该研究提出了一种名为 BrainNet 的新型模型，通过联合学习动态扩散图和建模脑电波扩散模式的方式，有效地帮助抵抗 SEEG 数据中的标签失衡和严重噪声问题， 并超过了时间序列分析的最新一流基线模型，以探测实际的 SEEG 数据集中的癫痫波。

Jun, 2023

提出了一种新颖、轻量级、不显眼且得到社会接受的 EarSD 系统，通过测量用户耳后的生理信号来检测癫痫发作的起始，初步结果表明该系统可使用经典机器学习算法以高达 95.3% 的准确度检测癫痫发作。

Jan, 2024

提出一种多对一的信号知识蒸馏方法，用于开发 IoT 可穿戴系统中能够处理单一生物信号并达到与原多生物信号深度神经网络相媲美的精度的解决方案，并在几个最新的边缘计算平台上进行综合模拟实验分析以评估该方法在现实生活场景中的可行性，应用于癫痫性发作检测。

Jul, 2022

本研究通过使用 TUH EEG Seizure Corpus 数据集，评估了一种新型的循环卷积神经网络，该网络在每 24 小时内的假警报率为 7 次，灵敏度达到 30%。研究表明，深度学习结构集成空间和时间信息对于达到最先进的表现至关重要，并将推动出一代临床可接受的技术。

Dec, 2017

这篇论文介绍了一种基于深度学习和 P-1D-CNN 的系统，通过提出的增强方案可以有效地检测癫痫，具有 99.1％±0.9％的准确性。

Jan, 2018

本文提出一种新颖的低延迟并行卷积神经网络 (CNN) 框架，该框架使用阻性随机存取存储器 (RRAM) 器件来并行执行卷积层内核，从而实现了比当前最先进的 Memristive-CMOS 混合 DL 加速器低两个数量级的延迟降低，同时考虑非理想性，提出一种量化感知训练的方法以及一种卡住权重的偏移方法来增加系统性能。

Jun, 2022

该论文介绍了使用临床脑电图数据和卷积神经网络对癫痫发作进行检测和分类的方法，由于不同年龄、健康状况和临床环境的患者数据的复杂性，使用深度学习方法取得了 0.68 和 0.67 的灵敏度和特异度，取得了显著的进展。

Mar, 2019

本文探讨了在高分辨率，多通道 EEG 数据中，采用各种表示方法和机器学习算法进行癫痫检测的可行性，通过研究分类精度、计算复杂度和内存需求了解哪些方法最适合处理大规模数据。特别是指出，堆叠学习方法，如深度置信网络，在这些方面表现出色。

Aug, 2017