使用分级尖端神经网络预测EEG发作
Yazin Al Musafir1, Mostefa Mesbah1
1Department of Electrical and Computer Engineering, Sultan Qaboos University, Muscat, Oman.
Journal of neural engineering
|February 10, 2025
概括
这项研究介绍了一种新的,非患者特异性的发作预测系统,使用Intel上的分级尖端神经网络 (GSNNs).
科学领域:
- 神经形态计算是一种神经形态计算.
- 计算神经科学是一种神经科学.
- 的研究研究.
背景情况:
- 发作对患者的生活质量构成重大挑战.
- 现有的预测系统经常在实时处理和能源效率方面扎.
- 开发非患者特定的,高效的预测模型对于广泛的临床应用至关重要.
研究的目的:
- 开发和评估一种新的,非患者特异性的发作预测系统.
- 在英特尔的Loihi 2神经形态处理器上使用分级尖端神经网络 (GSNN) 实现该系统.
- 为了应对实时,节能预测的挑战.
主要方法:
- 使用CHB-MIT数据集培训GSNNs.
- 集成的超参数优化和EEG频道选择以减少数据.
- 采用多窗口投票机制,以提高稳定性.
- 在英特尔的Loihi 2神经形态处理器上部署了该系统.
主要成果:
- 实现了99.14%的非患者特定预测准确度.
- 达到每秒21.6个EEG细分输入的吞吐量,每次输入的能量消耗为25.104mJ.
- 与ANN相比,在事件和突触通信稀疏性方面表现出显著的改善.
结论:
- 引入了基于GSNN的强大和节能的框架,用于预测发作.
- 显著增强了实时可穿戴预测应用程序的潜力.
- 突出了GSNN在推进神经形态计算用于管理方面的承诺.


