摘要
可穿戴癫痫检测系统可在无需持续床旁观察的情况下，提供客观的事件监测和快速护理人员警报。本研究展示了一种资源受限的多模态可穿戴传感器平台，用于利用边缘人工智能和物联网（IoT）通信检测局灶性演变为双侧强直 - 阵挛性癫痫发作（FBTCS）。原型集成了 ESP32-S3 微控制器、模拟肌电图（EMG）通道、MPU6050 惯性传感器、MAX30102 光电容积脉搏波描记、GPS、TFT 显示屏、本地振动/蜂鸣器输出以及 Blynk 云遥测。癫痫决策路径使用同步采集的 EMG 和加速度数据，采样率为 100 Hz，窗口为互不重叠的 10 秒。EMG 和加速度数据经过重采样以兼容参考特征管道，从每种模态中提取 13 个统计特征（共 26 个），并在本地执行一个包含 85 棵树的 XGBoost 模型。0.85 的概率阈值与时间平滑、连续窗口确认以及 60 秒不应期相结合。软件验证显示，相对于 Python 参考实现，随机特征向量测试的最大绝对概率差异约为 1.19 × 10?7，端到端录制窗口的差异约为 1.49 × 10?8。在报告的涵盖 2643.69 小时和 18 个记录标注 FBTCS 事件的验证记录中，检测到 12 个事件（12/18；67% 敏感性）。精确率约为 26%，F1 分数约为 38%，报告的误报率为 0.31 次/24 小时，中位检测延迟为 61.5 秒。根据报告的误报率和评估持续时间，估计大约有 34 次误报；这是一个估计数量，而不是百分比或直接观察到的数量。硬件、本地报警、显示、GPS 和云通信功能通过了功能集成测试。事件数量少、标签来源不确定、精确率低和延迟长意味着这些数据仅支持工程概念验证，并不能确立临床适用性。
