Advances in electroencephalography (EEG) equipment now allow monitoring of people with epilepsy in their daily-life environment. The large volumes of data that can be collected from long-term out-of-clinic monitoring require novel algorithms to process the recordings on board of the device to identify and log or transmit only relevant data epochs. Existing seizure-detection algorithms are generally designed for post-processing purposes, so that memory and computing power are rarely considered as constraints. We propose a novel multi-channel EEG signal processing method for automated absence seizure detection which is specifically designed to run on a microcontroller with minimal memory and processing power. It is based on a linear multi-channel filter that is precomputed offline in a data-driven fashion based on the spatial-temporal signature of the seizure and peak interference statistics. At run-time, the algorithm requires only standard linear filtering operations, which are cheap and efficient to compute, in particular on microcontrollers with a multiply-accumulate unit (MAC). For validation, a dataset of eight patients with juvenile absence epilepsy was collected. Patients were equipped with a 20-channel mobile EEG unit and discharged for a day-long recording. The algorithm achieves a median of 0.5 false detections per day at 95% sensitivity. We compare our algorithm with state-of-the-art absence seizure detection algorithms and conclude it performs on par with these at a much lower computational cost.

中文翻译：

---

可穿戴脑电图中实时缺席癫痫检测的计算高效算法

脑电图 (EEG) 设备的进步现在允许在日常生活环境中监测癫痫患者。可以从长期的临床外监测中收集的大量数据需要新的算法来处理设备上的记录，以识别和记录或仅传输相关数据时期。现有的癫痫检测算法通常是为后处理目的而设计的，因此很少将内存和计算能力视为约束。我们提出了一种用于自动失神发作检测的新型多通道 EEG 信号处理方法，该方法专门设计用于在具有最小内存和处理能力的微控制器上运行。它基于线性多通道滤波器，该滤波器基于癫痫发作和峰值干扰统计的时空特征以数据驱动的方式离线预计算。在运行时，该算法只需要标准的线性滤波操作，计算起来既便宜又高效，尤其是在具有乘法累加单元 (MAC) 的微控制器上。为了验证，收集了八名青少年失神癫痫患者的数据集。患者配备了一个 20 通道的移动脑电图单元，并进行了为期一天的记录。该算法在 95% 的灵敏度下实现了每天 0.5 次错误检测的中值。我们将我们的算法与最先进的失神发作检测算法进行比较，并得出结论，它以更低的计算成本执行与这些算法相同的性能。在运行时，该算法只需要标准的线性滤波操作，计算起来既便宜又高效，尤其是在具有乘法累加单元 (MAC) 的微控制器上。为了验证，收集了八名青少年失神癫痫患者的数据集。患者配备了一个 20 通道的移动脑电图单元，并进行了为期一天的记录。该算法在 95% 的灵敏度下实现了每天 0.5 次错误检测的中值。我们将我们的算法与最先进的失神发作检测算法进行比较，并得出结论，它以更低的计算成本执行与这些算法相同的性能。在运行时，该算法只需要标准的线性滤波操作，计算起来既便宜又高效，尤其是在具有乘法累加单元 (MAC) 的微控制器上。为了验证，收集了八名青少年失神癫痫患者的数据集。患者配备了一个 20 通道的移动脑电图单元，并进行了为期一天的记录。该算法在 95% 的灵敏度下实现了每天 0.5 次错误检测的中值。我们将我们的算法与最先进的失神发作检测算法进行比较，并得出结论，它以更低的计算成本执行与这些算法相同的性能。收集了 8 名青少年失神癫痫患者的数据集。患者配备了一个 20 通道的移动脑电图单元，并进行了为期一天的记录。该算法在 95% 的灵敏度下实现了每天 0.5 次错误检测的中值。我们将我们的算法与最先进的失神发作检测算法进行比较，并得出结论，它以更低的计算成本执行与这些算法相同的性能。收集了 8 名青少年失神癫痫患者的数据集。患者配备了一个 20 通道的移动脑电图单元，并进行了为期一天的记录。该算法在 95% 的灵敏度下实现了每天 0.5 次错误检测的中值。我们将我们的算法与最先进的失神发作检测算法进行比较，并得出结论，它以更低的计算成本执行与这些算法相同的性能。