面向颅内植入设备的实时自适应时间序列分割算法硬件实现及其在癫痫检测中的应用

《IEEE Transactions on Biomedical Circuits and Systems》：Hardware Implementation of a Real-Time Adaptive Time-Series Segmentation Algorithm for Intracortical Implants

本文推荐一种基于FPGA的实时自适应时间序列分割算法硬件实现，用于解决癫痫患者颅内植入设备中多通道神经信号处理的高功耗与高带宽难题。研究通过集成ZTEST/NEO/ED等多种异常检测方法与启发式分类器，在4-AP处理的离体小鼠海马-皮层切片数据上实现95%的癫痫事件检测准确率、94%灵敏度及0.03%误报率，功耗仅128mW。该算法支持多通道共识机制，为低功耗植入式癫痫诊疗系统开发提供关键技术路径。

　　

全球有超过5000万人受癫痫困扰，其中约30%的患者会发展为药物难治性癫痫，迫切需要替代治疗方案。近年来，神经植入设备通过集成片上算法，能够实现精准的实时癫痫检测与干预，显著降低数据传输的技术与财务负担。然而，随着神经植入设备中电极数量的增加，以提高空间分辨率和脑区覆盖范围，数据量的激增对处理效率提出了更高要求。高效处理对于最小化传输带宽和功耗、确保植入式系统的长期可行性至关重要。

在此背景下，发表于《IEEE Transactions on Biomedical Circuits and Systems》的一项研究提出了一种新颖的解决方案。研究人员开发了一种用于实时时间序列分割（TSS）的硬件算法，旨在从原始神经记录中提取标记信息。该算法探索了多种异常检测方法，并结合了一种低复杂度的启发式事件分类器，采用多通道共识策略来提高检测准确性。该系统能够高性能地检测癫痫发作，并将局部场电位（LFP）分割为具有临床意义的标签，以供解释和后处理。研究在经4-氨基吡啶（4AP）处理的小鼠海马-皮层切片的微电极阵列（MEA）记录上进行了测试，证明了系统的鲁棒可靠性。算法在搭载Zynq 7020片上系统的Pynq-Z2板上实现，最佳性能的异常检测器功耗仅为128毫瓦，准确率达到95%，灵敏度为94%，误报率（FPR）为0.03%。这项工作展示了时间序列分割在植入式设备算法中的应用，推动了更有效、个性化的癫痫治疗发展。

为开展研究，研究人员主要应用了以下几项关键技术方法：首先，采用了多种异常检测器（包括ZTEST、非线性能量算子NEO、绝对差分算子ADO、绝对斜率算子ASO和能量差分ED）进行实时特征提取；其次，设计了一种基于有限状态机（FSM）的低复杂度启发式决策树分类器，利用异常点间隔、幅度和窗口化异常点密度等特征对事件（癫痫发作期、发作间期放电、基线）进行分类；第三，引入了多通道共识机制，通过聚合跨通道的检测结果（平均异常点率MOR和平均癫痫检测MID）提升系统可靠性；第四，利用FPGA（Pynq-Z2板）进行硬件实现，通过Vitis HLS和Vivado工具链将算法综合为IP核，实现了硬件加速；研究所用数据来源于小鼠海马-皮层切片的微电极阵列（MEA）记录（CTX MEA LFP数据集），该模型模拟了内侧颞叶癫痫。

硬件利用率和功耗

FPGA实现显示，ZTEST异常检测算法因其需要计算局部统计量（均值和标准差）而占用较多资源（LUT: 3063, 寄存器: 1243），动态功耗为23毫瓦。而轻量级方法（如NEO、ADO、ASO、ED）的资源利用和功耗显著更低（单个检测单元功耗<12毫瓦）。完整系统（包含分类器）在ZTEST配置下总功耗约为128毫瓦，ED配置下为111毫瓦。这表明在资源受限的植入式设备中，需要在检测性能和功耗之间进行权衡。

性能结果

算法检测到的事件与专家标注进行比对以评估分割性能。ZTEST算法在癫痫事件检测方面表现最佳，在阈值设置为3.5、延迟（lag）为200时，准确率达到95%，灵敏度为94%，误报率为0.03%。相比之下，间歇期事件的检测更具挑战性，准确率和灵敏度较低，这反映了间歇期放电信号的复杂性。与其他最先进的FPGA癫痫检测系统相比，ZTEST实现展示了高灵敏度（94%）和竞争力的误报率，同时保持了较低的功耗（128毫瓦）。能量差分（ED）检测器在硬件效率上更优，但灵敏度（85%）相对较低。

多通道性能结果

多通道共识方法通过跨脑区多个处理单元（PU）对事件达成一致，提高了检测灵敏度。虽然这引入了取决于所需PU数量的延迟，但并行执行和共识逻辑的实现在测试配置下显示出分类器标签与平均异常点率（MOR）值良好对齐，增强了结果的可靠性。

研究结论指出，这项工作提出了一种用于癫痫样事件实时检测的硬件高效时间序列分割方法。该算法通过异常检测和事件分类两个阶段，将信号分割为基线、癫痫发作期和发作间期三个语义标签。在Pynq-Z2板上的实现证明了其低功耗（128毫瓦）和高效性，在急性癫痫离体模型中实现了高精度（95%）癫痫检测。多通道共识进一步提高了鲁棒性。尽管间歇期事件检测仍有挑战，但该研究凸显了时间序列分割与高效异常检测相结合在低功耗、边缘侧癫痫检测方面的潜力，为未来神经技术的发展指明了方向，特别是在个性化癫痫治疗方面。讨论部分强调，与仅关注癫痫发作检测的现有方法相比，本研究通过TSS和多通道共识扩展了功能，支持更丰富的事件驱动监测。报告的检测延迟（1.42-2.9秒）对于闭环神经调节在局灶性癫痫中阻止发作泛化具有临床意义。低误报率进一步支持了其安全有效的应用前景。