本专利目前处于实审阶段

本发明的轻量级模型设计、通道选择设计和模型量化技术使其能够在硬件平台上高效实现，尤其是对于需要低功耗和高实时性的医疗设备，如癫痫发作预测系统。这种设计不仅提高了模型的实际应用价值，也有望促进个人健康监测设备的发展，有望显著改善癫痫患者的生活质量。

简介

本发明创新性地提出了一种平均相关性排序法与方差-熵乘积法结合的通道选择方法：本发明结合协方差矩阵相关性排序法和方差-熵乘积法进行EEG信号的通道选择，兼顾了信息量评估和冗余度分析，减少EEG信号中的冗余信息，从而降低了模型计算的复杂性和存储需求。通过选择具有较低相关性且能提供更多信息的通道，进一步提升了简化了模型的复杂度。此方法应作为技术保护点，特别是对通道选择的具体算法和实现步骤进行保护。

应用前景

本发明提出了一种轻量级的结合时空特征的癫痫预测算法，也创新地提出一种结合基于协方差矩阵的通道间平均相关性与方差-熵乘积法的通道选择算法，在维持较高分类精度的同时显著降低了模型的复杂度，使得该模型更适合于资源受限设备的应用场景，能够有效应对将算法硬件实现为低功耗、高性能的可穿戴移动设备中的各种挑战，推动了健康监测设备的发展。

创新点

本发明不需要任何手动特征提取即可实现高性能的分类任务：本发明通过简化EEG数据的预处理流程，通过使用带通滤波器和Z分数归一化，使得数据能够迅速输入网络进行特征提取和分类，避免了复杂的手动特征提取。这一简化流程减少了对计算资源的依赖，提升了模型的实时性。这一改进不仅提高了系统效率，还降低了硬件实现的复杂性，使得整个系统能够快速响应，满足实时性要求。