論文の概要: Convolutional-Recurrent Neural Networks on Low-Power Wearable Platforms
for Cardiac Arrhythmia Detection
- arxiv url: http://arxiv.org/abs/2001.03538v1
- Date: Wed, 8 Jan 2020 10:35:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-13 09:59:00.679872
- Title: Convolutional-Recurrent Neural Networks on Low-Power Wearable Platforms
for Cardiac Arrhythmia Detection
- Title（参考訳）: 心不整脈検出のための低消費電力ウェアラブルプラットフォーム上の畳み込みリカレントニューラルネットワーク
- Authors: Antonino Faraone, Ricard Delgado-Gonzalo
- Abstract要約: マイクロコントローラと低消費電力プロセッサで動作するニューラルネットワークの推論に焦点を当てる。
心不整脈を検出・分類するために既存の畳み込みリカレントニューラルネットワークを適用した。
メモリフットプリントは195.6KB、スループットは33.98MOps/sである。
- 参考スコア（独自算出の注目度）: 0.18459705687628122
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Low-power sensing technologies, such as wearables, have emerged in the
healthcare domain since they enable continuous and non-invasive monitoring of
physiological signals. In order to endow such devices with clinical value,
classical signal processing has encountered numerous challenges. However,
data-driven methods, such as machine learning, offer attractive accuracies at
the expense of being resource and memory demanding. In this paper, we focus on
the inference of neural networks running in microcontrollers and low-power
processors which wearable sensors and devices are generally equipped with. In
particular, we adapted an existing convolutional-recurrent neural network,
designed to detect and classify cardiac arrhythmias from a single-lead
electrocardiogram, to the low-power embedded System-on-Chip nRF52 from Nordic
Semiconductor with an ARM's Cortex-M4 processing core. We show our
implementation in fixed-point precision, using the CMSIS-NN libraries, yields a
drop of $F_1$ score from 0.8 to 0.784, from the original implementation, with a
memory footprint of 195.6KB, and a throughput of 33.98MOps/s.
- Abstract（参考訳）: ウェアラブルなどの低消費電力センシング技術は、生理的シグナルの連続的かつ非侵襲的な監視を可能にするため、医療領域に現れている。
このような装置に臨床的な価値を与えるため、古典的な信号処理は様々な課題に直面している。
しかし、機械学習のようなデータ駆動の手法は、リソースとメモリ需要を犠牲にして魅力的な精度を提供する。
本稿では,ウェアラブルセンサやデバイスが一般的に備えているマイクロコントローラや低消費電力プロセッサで動作するニューラルネットワークの推論に注目する。
特に,心不整脈を単一誘導心電図から,armのcortex-m4処理コアを用いたノルディック半導体の低出力埋め込みシステムon-chip nrf52に分類する既存の畳み込みリカレントニューラルネットワークを適用した。
CMSIS-NNライブラリを用いた固定点精度実装では,メモリフットプリント195.6KB,スループット33.98MOps/sからF_1$スコア0.8から0.784に低下する。
関連論文リスト
- ConvexECG: Lightweight and Explainable Neural Networks for Personalized, Continuous Cardiac Monitoring [43.23305904110984]
ConvexECGは、単誘導データから6誘導心電図を再構成するための説明可能かつ資源効率のよい方法である。
我々は、ConvexECGがより大きなニューラルネットワークに匹敵する精度を実現し、計算オーバーヘッドを大幅に削減することを示した。
論文 参考訳（メタデータ） (2024-09-19T06:14:30Z) - Hybrid Spiking Neural Networks for Low-Power Intra-Cortical Brain-Machine Interfaces [42.72938925647165]
皮質内脳-機械界面(iBMI)は麻痺患者の生活を劇的に改善する可能性がある。
現在のiBMIは、ハードウェアと配線が大きすぎるため、スケーラビリティとモビリティの制限に悩まされている。
無線iBMIにおける組込みニューラルデコーディングのためのハイブリッドスパイキングニューラルネットワークについて検討している。
論文 参考訳（メタデータ） (2024-09-06T17:48:44Z) - Analog Spiking Neuron in CMOS 28 nm Towards Large-Scale Neuromorphic Processors [0.8426358786287627]
本研究では,TSMCの28nmCMOS技術を用いた低消費電力Leaky Integrate- and-Fireニューロンの設計を提案する。
製造されたニューロンは1.61 fJ/スパイクを消費し、34$mu m2$の活性領域を占有し、最大スパイク周波数は250mVで300kHzである。
論文 参考訳（メタデータ） (2024-08-14T17:51:20Z) - EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient
Arrhythmia Classification [79.7946379395238]
心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。
本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
論文 参考訳（メタデータ） (2023-10-24T02:37:49Z) - Evaluating Spiking Neural Network On Neuromorphic Platform For Human
Activity Recognition [2.710807780228189]
エネルギー効率と低レイテンシは、ウェアラブルAIを活用した人間の活動認識システムにとって重要な要件である。
スパイクベースのワークアウト認識システムは、従来のニューラルネットワークを備えた一般的なミリワットRISC-VベースマルチコアプロセッサGAP8に匹敵する精度を達成することができる。
論文 参考訳（メタデータ） (2023-08-01T18:59:06Z) - TinyAD: Memory-efficient anomaly detection for time series data in
Industrial IoT [43.207210990362825]
我々は,リアルタイムな異常検出のためのCNNのオンボード推論を効率的に行うための,Tiny Anomaly Detection (TinyAD) という新しいフレームワークを提案する。
CNNのピークメモリ消費を低減するため、我々は2つの相補的戦略、 in-place と patch-by-patch のメモリ再スケジューリングについて検討する。
我々のフレームワークは、オーバーヘッドを無視してピークメモリ消費を2～5倍削減できる。
論文 参考訳（メタデータ） (2023-03-07T02:56:15Z) - Signal Detection in MIMO Systems with Hardware Imperfections: Message
Passing on Neural Networks [101.59367762974371]
本稿では,Multi-Input-multiple-output (MIMO)通信システムにおける信号検出について検討する。
パイロット信号が限られているディープニューラルネットワーク(DNN)のトレーニングは困難であり、実用化を妨げている。
我々は、ユニタリ近似メッセージパッシング(UAMP)アルゴリズムを利用して、効率的なメッセージパッシングに基づくベイズ信号検出器を設計する。
論文 参考訳（メタデータ） (2022-10-08T04:32:58Z) - Braille Letter Reading: A Benchmark for Spatio-Temporal Pattern
Recognition on Neuromorphic Hardware [50.380319968947035]
近年の深層学習手法は,そのようなタスクにおいて精度が向上しているが,従来の組込みソリューションへの実装は依然として計算量が非常に高く,エネルギーコストも高い。
文字読み込みによるエッジにおける触覚パターン認識のための新しいベンチマークを提案する。
フィードフォワードとリカレントスパイキングニューラルネットワーク(SNN)を、サロゲート勾配の時間によるバックプロパゲーションを用いてオフラインでトレーニングし比較し、効率的な推論のためにIntel Loihimorphicチップにデプロイした。
LSTMは14%の精度で繰り返しSNNより優れており、Loihi上での繰り返しSNNは237倍のエネルギーである。
論文 参考訳（メタデータ） (2022-05-30T14:30:45Z) - Arrhythmia Classifier using Binarized Convolutional Neural Network for
Resource-Constrained Devices [4.36031697142651]
ECGモニタリングに適した二元化畳み込みニューラルネットワークを提案する。
ハードウェアフレンドリーで、リソースに制約のあるウェアラブルデバイスでの使用に適している。
計算速度は12.65倍、ストレージ圧縮比は24.8倍であり、メモリオーバーヘッドの4分の1しか必要としない。
論文 参考訳（メタデータ） (2022-05-07T14:21:32Z) - An adaptive cognitive sensor node for ECG monitoring in the Internet of
Medical Things [0.7646713951724011]
インターネット・オブ・メディカル・モノズ(IoMT)パラダイムは、複数の臨床試験や医療処置で主流になりつつある。
本研究では,資源制約型コンピューティングプラットフォームにおける認知データ解析アルゴリズムの実装について検討する。
コンボリューションニューラルネットワークを用いて心電図のトレースを分類する手法について検討した。
論文 参考訳（メタデータ） (2021-06-11T16:49:10Z) - A reconfigurable neural network ASIC for detector front-end data
compression at the HL-LHC [0.40690419770123604]
ニューラルネットワークのオートエンコーダモデルを放射線耐性ASICに実装して、損失のあるデータ圧縮を行うことができる。
これは、粒子物理学アプリケーション用に設計されたニューラルネットワークの耐放射線性オンディテクタASIC実装である。
論文 参考訳（メタデータ） (2021-05-04T18:06:23Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。