[论文解读] EpiDeNet: An Energy-Efficient Approach to Seizure Detection for Embedded Systems

Thorir Mar Ingolfsson, Upasana Chakraborty+7 more|arXiv (Cornell University)|Jan 1, 2023

EEG and Brain-Computer Interfaces被引用 1

一句话总结

该论文提出EPIDENET，一种轻量级深度学习模型，采用新颖的SSWCE损失函数，可在低功耗嵌入式系统上实现能效高、实时的癫痫发作检测。在仅使用四个EEG导联的PEDESITE数据集上，其灵敏度达到92.00%，每小时仅1.18个假阳性，且在GAP9上的每次推理能耗仅为0.051 mJ，能效比ARM架构解决方案高出160倍。

ABSTRACT

Epilepsy is a prevalent neurological disorder that affects millions of individuals globally, and continuous monitoring coupled with automated seizure detection appears as a necessity for effective patient treatment. To enable long-term care in daily-life conditions, comfortable and smart wearable devices with long battery life are required, which in turn set the demand for resource-constrained and energy-efficient computing solutions. In this context, the development of machine learning algorithms for seizure detection faces the challenge of heavily imbalanced datasets. This paper introduces EpiDeNet, a new lightweight seizure detection network, and Sensitivity-Specificity Weighted Cross-Entropy (SSWCE), a new loss function that incorporates sensitivity and specificity, to address the challenge of heavily unbalanced datasets. The proposed EpiDeNet-SSWCE approach demonstrates the successful detection of 91.16% and 92.00% seizure events on two different datasets (CHB-MIT and PEDESITE, respectively), with only four EEG channels. A three-window majority voting-based smoothing scheme combined with the SSWCE loss achieves 3x reduction of false positives to 1.18 FP/h. EpiDeNet is well suited for implementation on low-power embedded platforms, and we evaluate its performance on two ARM Cortex-based platforms (M4F/M7) and two parallel ultra-low power (PULP) systems (GAP8, GAP9). The most efficient implementation (GAP9) achieves an energy efficiency of 40 GMAC/s/W, with an energy consumption per inference of only 0.051 mJ at high performance (726.46 MMAC/s), outperforming the best ARM Cortex-based solutions by approximately 160x in energy efficiency. The EpiDeNet-SSWCE method demonstrates effective and accurate seizure detection performance on heavily imbalanced datasets, while being suited for implementation on energy-constrained platforms.

研究动机与目标

• 开发一种面向资源受限可穿戴EEG设备的节能、轻量级深度学习模型，实现实时癫痫发作检测。
• 解决癫痫检测中EEG数据集严重不平衡的挑战，即癫痫发作事件远少于正常活动。
• 优化灵敏度与特异性的权衡，优先提高特异性以减少长期监测中的误报。
• 实现在GAP8/GAP9等超低功耗嵌入式平台上的部署，实现极低能耗。
• 通过个性化模型训练和抗伪影的假阳性减少方法，实现受试者特定的性能提升。

提出的方法

• 提出EPIDENET，一种仅含4个输入通道的紧凑1D-CNN神经网络架构，专为低延迟、低功耗推理优化。
• 提出SSWCE（灵敏度-特异性加权交叉熵）损失函数，一种新颖的损失函数，通过基于两项指标的类别加权，在训练过程中动态平衡灵敏度与特异性。
• 采用三窗口多数投票机制平滑预测结果，减少假阳性，同时不牺牲灵敏度。
• 利用Post-training量化技术（Quantlab与TFLite）对模型进行压缩，以适配ARM Cortex-M和PULP架构平台的部署。
• 在GAP8、GAP9及多款ARM Cortex-M4F/M7 MCU上部署模型，跨平台测量能效与推理性能。
• 针对每个受试者优化SSWCE超参数（α和β），以最大化灵敏度并最小化假阳性。

实验结果

研究问题

• RQ1 轻量级深度学习模型是否可在仅使用四个EEG导联的嵌入式平台上实现高灵敏度与高特异性癫痫检测？
• RQ2 所提出的SSWCE损失函数在处理EEG癫痫检测数据集中极端类别不平衡问题时效果如何？
• RQ3 三窗口多数投票机制在保留真实癫痫检测能力的同时，能在多大程度上减少假阳性？
• RQ4 EPIDENET在GAP9等超低功耗平台上的能效表现如何，相较于传统ARM Cortex-M MCU有何优势？
• RQ5 结合SSWCE的受试者特定模型适配是否能进一步提升真实可穿戴设备部署中的检测性能并减少假阳性？

主要发现

• 在应用三窗口多数投票与受试者特定SSWCE优化后，EPIDENET在PEDESITE数据集上实现了92.00%的灵敏度与每小时1.18个假阳性。
• 在GAP9上实现的最节能部署方案达到40.61 GMAC/s/W的能效，每次推理仅消耗0.051 mJ，相比ARM Cortex-M4F/M7方案能效高出约160倍。
• SSWCE损失函数在受试者特定优化后，使灵敏度提升3.64%，假阳性率降低至1.18 FP/h，显著改善了灵敏度与特异性的平衡。
• 量化对精度影响可忽略，所有平台上的灵敏度与特异性变化均在±0.1%以内，证实压缩后模型具有强鲁棒性。
• GAP9部署实现726.46 MMAC/s的吞吐量，推理延迟为2.84 ms，支持在超低功耗硬件上实现实时运行。
• 该框架通过自动标记相关EEG段，显著减少需专家审阅的数据量，实现临床工作流中的可扩展数据压缩。