It is critical to determine whether the brain state of an epilepsy patient is indicative of a possible seizure onset; thus, appropriate therapy or alarm may be delivered in time. Successful seizure prediction relies on the capability of accurately separating the preictal stage from the interictal stage of ictal electroencephalography (EEG). With the booming of brain e-health technologies, there exists a pressing need for an approach that provides accurate seizure prediction while operating efficiently on edge computing platforms with very limited computing resources in Internet of Things environments. This study proposes a lightweight solution to this problem based on synchronization measurement of multivariate EEG captured from multiple brain regions consisting of two phases, i.e., synchronization measurement and classification. For phase one, Pearson correlation coefficient is calculated to obtain the correlation matrices. For phase two, the correlation matrices are classified to distinguish the preictal states from the interictal ones with a simple CNN model, and seizure onset can then be predicted. Experiments have been performed to evaluate the performance of the lightweight solution on the CHB-MIT scalp EEG dataset. The experimental results indicate that: (1) the solution outperforms most of the state-of-the-art counterparts with a high accuracy of seizure prediction ( $$89.98\%$$ for 15 mins alarm in advance) for all subjects, and (2) the solution incurs a very low computational overhead and holds potentials in brain e-health applications.

中文翻译：

---

基于EEG同步测量的癫痫发作预测轻量级解决方案

确定癫痫患者的大脑状态是否预示着可能的癫痫发作至关重要；因此，可以及时提供适当的治疗或警报。成功的癫痫发作预测依赖于准确地将发作前期与发作间期脑电图 (EEG) 分开的能力。随着大脑电子健康技术的蓬勃发展，迫切需要一种方法来提供准确的癫痫发作预测，同时在物联网环境中计算资源非常有限的边缘计算平台上高效运行。本研究基于从由两个阶段组成的多个大脑区域捕获的多元 EEG 的同步测量，即同步测量和分类，提出了针对该问题的轻量级解决方案。对于第一阶段，计算 Pearson 相关系数以获得相关矩阵。对于第二阶段，相关矩阵被分类以使用简单的 CNN 模型区分发作前状态和发作间状态，然后可以预测癫痫发作。已经进行了实验以评估轻量级解决方案在 CHB-MIT 头皮 EEG 数据集上的性能。实验结果表明：（1）该解决方案优于大多数最先进的解决方案，对所有受试者的癫痫预测准确度高（提前 15 分钟警报 $89.98\%$$），并且（ 2) 该解决方案的计算开销非常低，并且在脑电子健康应用中具有潜力。使用简单的 CNN 模型对相关矩阵进行分类，以区分发作前期和间歇期，然后可以预测癫痫发作。已经进行了实验以评估轻量级解决方案在 CHB-MIT 头皮 EEG 数据集上的性能。实验结果表明：（1）该解决方案优于大多数最先进的解决方案，对所有受试者的癫痫预测准确度高（提前 15 分钟警报 $89.98\%$$），并且（ 2) 该解决方案的计算开销非常低，并且在脑电子健康应用中具有潜力。使用简单的 CNN 模型对相关矩阵进行分类，以区分发作前期和间歇期，然后可以预测癫痫发作。已经进行了实验以评估轻量级解决方案在 CHB-MIT 头皮 EEG 数据集上的性能。实验结果表明：（1）该解决方案优于大多数最先进的解决方案，对所有受试者的癫痫预测准确度高（提前 15 分钟警报 $89.98\%$$），并且（ 2) 该解决方案的计算开销非常低，并且在脑电子健康应用中具有潜力。