A Fully-Asynchronous Low-Power Implantable Seizure Detector for Self-Triggering Treatment
Notice bibliographique
Résumé
In this paper, we present a new asynchronous seizure detector that is part of an implantable integrated device intended to identify electrographic seizure onset and trigger a focal treatment to block the seizure progression. The proposed system has a low-power front-end bioamplifier and a seizure detector with intelligent mechanism to reduce power dissipation. This system eliminates the unnecessary clock gating during normal neural activity monitoring mode and reduces power dissipation in the seizure detector; as a result, this device is suitable for long-term implantable applications. The proposed system includes analog and digital building blocks with programmable parameters for extracting electrographic seizure onset information from real-time EEG recordings. Sensitivity of the detector is enhanced by optimizing the variable parameters based on specific electrographic seizure onset activities of each patient. The detection algorithm was validated using Matlab tools and implemented in standard 0.13 μm CMOS process with total die area of 1.5 × 1.5 mm². The fabricated chip is validated offline using intracranial EEG recordings from two patients with refractory epilepsy. Total power consumption of the chip is 9 μW and average detection delay is 13.7 s after seizure onset, well before the onset of clinical manifestation. The proposed system achieves an accurate detection performance with 100% sensitivity and no false alarms during the analyses of 15 seizures and 19 non-seizure datasets.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».