基于混合信号神经形态处理器的癫痫发作事件驱动型神经网络检测系统研究

本研究针对癫痫患者长期脑电监测的临床需求，创新性地开发了一种基于DYNAP-SE2神经形态处理器的混合信号SNN架构。通过异步Delta调制(ADM)实时编码EEG信号，结合非局部非全局(NLNG)连接拓扑的脉冲神经网络，成功实现了癫痫发作期部分同步特征的硬件级提取。该系统功耗仅150μW，为可穿戴式"穿戴即忘"癫痫监测设备提供了关键技术支撑。

　　

癫痫作为全球发病率约1%的神经系统疾病，传统依赖住院观察和患者自述的监测方式存在严重漏报问题。虽然脑电图(EEG)是诊断金标准，但现有数字系统的高功耗特性难以满足长期可穿戴监测需求。苏黎世大学与苏黎世联邦理工学院的研究团队另辟蹊径，借鉴生物神经系统的高效能特性，在混合信号神经形态处理器DYNAP-SE2上构建了革命性的癫痫监测系统。

研究采用三级处理架构：通过片上模拟前端(AFE)和异步Delta调制器(ADM)将SWEC数据库的颅内EEG(iEEG)信号转换为脉冲序列；设计包含转译层和NLNG层的脉冲神经网络(SNN)，利用1-2-1-0-1-2-1的特殊连接模式放大癫痫发作期的部分同步特征；最后通过线性支持向量机(LSVM)对神经形态处理器输出的脉冲特征进行分类。研究特别选用5名患者的10次发作数据，通过DAC系统还原模拟EEG信号进行实时处理验证。

"转译层实现脉冲频率滤波"部分显示，研究者巧妙组合递归兴奋(R-E)、抑制(R-I)和快速抑制(FF-I)神经元，构建出对200-600Hz输入脉冲敏感的带通滤波器。硬件测试表明，该层能有效抑制过高或过低频率的噪声，为后续处理提供标准化脉冲输入。

"NLNG层相关性编码"揭示了该研究的核心创新：通过进化神经网络架构搜索(ENAS)获得的特殊连接模式，使网络对输入通道间的相关性极为敏感。当输入脉冲序列的皮尔逊相关系数从0.114升至0.255时，NLNG层输出频率从10Hz线性增加至20Hz，证实其具备理想的相关系数编码能力。

"硬件实现癫痫编码"部分展示了令人振奋的结果：在癫痫发作期，NLNG层神经元集群出现100Hz以上的高频放电，形成明显的局部同步簇。同步矩阵分析显示，相比原始ADM事件流，NLNG层将癫痫相关的弱相关性放大了3-5倍。功耗测试显示，整个SNN处理42通道EEG仅消耗128.5-297μW，单通道平均2.8μW。

在"癫痫检测性能评估"中，研究者对比了ADM事件流和NLNG脉冲流的分类效果。使用1秒时间窗提取的脉冲频率特征，NLNG层的平均AUC达80.91%，优于ADM的78.58%。特别值得注意的是，虽然线性分类器的绝对性能尚有提升空间，但该研究首次实现了从信号调理、脉冲编码到特征提取的全模拟链路上处理。

讨论部分指出，这项工作的突破性在于将神经科学的"部分同步"理论与神经形态芯片的物理特性完美结合。DYNAP-SE2芯片的亚阈值模拟电路固有变异特性，反而增强了网络对癫痫特征的鲁棒性表达。研究者特别强调，未来可通过分析同步簇的时空演变规律，进一步定位癫痫发作起始区(SOZ)，为术前评估提供新工具。

这项发表于《Scientific Reports》的研究，为超低功耗癫痫监测设备开发树立了新范式。其价值不仅在于150μW的功耗突破，更开创了"利用硬件物理特性解决医学问题"的新思路。正如作者所述，这种神经形态计算方法可扩展到心电、肌电等多模态生物信号处理，为移动医疗时代提供关键技术支撑。