Energy-Efficient Spiking-CNN-Based Cross-Patient Seizure Detection
Notice bibliographique
Résumé
A neuromorphic spiking convolutional neural network (SCNN) is presented for cross-patient seizure detection using multi-modal features from multi-channel electroencephalogram (EEG) data. A mixture of spectral, temporal, and spatial features is employed for building robustness against domain-specific noise/artifacts, hence boosting detection sensitivity and specificity. The feature set is converted to temporally-coded spikes before being fed to the SCNN classifier. Thanks to the asynchronous spike-based multiplier-less operation, the SCNN significantly reduces the classification computational cost without sacrificing accuracy. The developed algorithm was validated on a publicly available dataset and an average sensitivity of 83.02%, a specificity of 86.31%, and a false positive rate of 0.69/hr were achieved for cross-patient seizure detection. Our results show that a 1-bit Integer-Net leads to less than 2% drop in sensitivity compared with a 32-bit real-value resolution CNN model while offering more than 27× improvement in memory efficiency. The SCNN achieves an estimated energy efficiency of <tex>$1.28\mu\mathrm{J}$</tex> /classification, which translates into a 98.6% improvement compared to a conventional CNN implementation with the same accuracy.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| 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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».