Fugu-MT 論文翻訳(概要): Demonstrating Analog Inference on the BrainScaleS-2 Mobile System

論文の概要: Demonstrating Analog Inference on the BrainScaleS-2 Mobile System

arxiv url: http://arxiv.org/abs/2103.15960v1
Date: Mon, 29 Mar 2021 21:22:15 GMT
ステータス: 処理完了
システム内更新日: 2021-03-31 14:32:36.582438
Title: Demonstrating Analog Inference on the BrainScaleS-2 Mobile System
Title（参考訳）: BrainScaleS-2モバイルシステムにおけるアナログ推論の実証
Authors: Yannik Stradmann, Sebastian Billaudelle, Oliver Breitwieser, Falk Leonard Ebert, Arne Emmel, Dan Husmann, Joscha Ilmberger, Eric M\"uller, Philipp Spilger, Johannes Weis, Johannes Schemmel
Abstract要約: BrainScaleS-2 ASICに基づくコンパクトなアナログ推論エンジンとして,BrainScaleS-2モバイルシステムを提案する。医療用心電図データセットを分類する能力を示す。このシステムは、小型、パワーエンベロープ、柔軟なI/O機能により、エッジ推論アプリケーションに直接適用できます。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present the BrainScaleS-2 mobile system as a compact analog inference engine based on the BrainScaleS-2 ASIC and demonstrate its capabilities at classifying a medical electrocardiogram dataset. The analog network core of the ASIC is utilized to perform the multiply-accumulate operations of a convolutional deep neural network. We measure a total energy consumption of 192uJ for the ASIC and achieve a classification time of 276us per electrocardiographic patient sample. Patients with atrial fibrillation are correctly identified with a detection rate of 93.7(7)% at 14.0(10)% false positives. The system is directly applicable to edge inference applications due to its small size, power envelope and flexible I/O capabilities. Possible future applications can furthermore combine conventional machine learning layers with online-learning in spiking neural networks on a single BrainScaleS-2 ASIC. The system has successfully participated and proven to operate reliably in the independently judged competition "Pilotinnovationswettbewerb 'Energieeffizientes KI-System'" of the German Federal Ministry of Education and Research (BMBF).
Abstract（参考訳）: 我々は,brainscales-2モバイルシステムを,brainscales-2 asicに基づくコンパクトなアナログ推論エンジンとして提示し,医療用心電図データセットの分類能力を示す。 ASICのアナログネットワークコアを用いて畳み込みディープニューラルネットワークの乗算累積演算を行う。 ASICの総エネルギー消費量は192uJであり,心電図標本あたりの分類時間は276usである。心房細動患者は14.0(10)%偽陽性で93.7(7)%検出率で正確に同定される。このシステムは、小さなサイズ、パワーエンベロープ、柔軟なI/O機能のために、エッジ推論アプリケーションに直接適用できる。将来的には、1つのBrainScaleS-2 ASIC上のスパイクニューラルネットワークにおいて、従来の機械学習レイヤとオンライン学習を組み合わせることが可能になる。このシステムは、ドイツ連邦教育研究省(BMBF)の独立に審査された「Plotinnovationswettbewerb 'Energieeffizientes KI-System'」で確実に運用されていることが証明された。

関連論文リスト

HeartBERT: A Self-Supervised ECG Embedding Model for Efficient and Effective Medical Signal Analysis [1.124958340749622]
HeartBertは自然言語処理におけるBERT(Bidirectional Representations from Transformers)にインスパイアされ、自己教師型学習アプローチで強化されている。提案モデルの汎用性,一般化性,効率性を示すために,睡眠ステージ検出と心拍分類という2つの重要な下流課題が選択された。 HeartBERTの優位性と進歩を示すための一連の実験が実施されている。
論文参考訳（メタデータ） (2024-11-08T14:25:00Z)
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)
SEVGGNet-LSTM: a fused deep learning model for ECG classification [38.747030782394646]
入力ECG信号はまずセグメント化され、正規化され、その後、特徴抽出と分類のためにVGGとLSTMネットワークに入力される。注目機構(SEブロック)をコアネットワークに組み込んで重要な特徴の重み付けを行う。
論文参考訳（メタデータ） (2022-10-31T07:36:48Z)
Reducing a complex two-sided smartwatch examination for Parkinson's Disease to an efficient one-sided examination preserving machine learning accuracy [63.20765930558542]
パーキンソン病(PD)研究における技術ベースアセスメントの実施状況について報告した。本研究は、両手同期スマートウォッチ測定におけるPDサンプルサイズとして最大である。
論文参考訳（メタデータ） (2022-05-11T09:12:59Z)
Effective classification of ecg signals using enhanced convolutional neural network in iot [0.0]
本稿では、動的ソースルーティング(DSR)とエネルギーリンク品質(REL)に基づくIoTヘルスケアプラットフォームのためのルーティングシステムを提案する。 Deep-ECGは、重要な特徴を抽出するためにディープCNNを使用し、単純かつ高速な距離関数を用いて比較する。その結果,提案手法は分類精度において他よりも優れていることがわかった。
論文参考訳（メタデータ） (2022-02-08T13:37:23Z)
A Raspberry Pi-based Traumatic Brain Injury Detection System for Single-Channel Electroencephalogram [0.6282171844772422]
外傷性脳損傷の診断のための既存のツールは、主観的または広範な臨床設定と専門知識を必要とする。本稿では,機械学習を用いてtbiを効率的に識別するraspberry piベースのポータブル,リアルタイムデータ取得,自動処理システムについて述べる。ピーク分類精度は最大90%以上であり, TBIと制御条件の比較では, 16秒から64秒までの分類時間が1秒未満である。
論文参考訳（メタデータ） (2021-01-23T09:49:33Z)
Atrial Fibrillation Detection and ECG Classification based on CNN-BiLSTM [3.1372269816123994]
心電図(ECG)信号から心疾患を視覚的に検出することは困難である。自動心電図信号検出システムを実装することにより,不整脈の診断精度を向上させることができる。
論文参考訳（メタデータ） (2020-11-12T04:20:56Z)
A Two-Stage Approach to Device-Robust Acoustic Scene Classification [63.98724740606457]
デバイスロバスト性を改善するために,完全畳み込みニューラルネットワーク(CNN)に基づく2段階システムを提案する。以上の結果から,提案したASCシステムにより,開発環境における最先端の精度が得られた。クラスアクティベーションマッピングを用いたニューラルサリエンシ解析により、モデルによって学習されたパターンに関する新たな洞察が得られる。
論文参考訳（メタデータ） (2020-11-03T03:27:18Z)
CPAS: the UK's National Machine Learning-based Hospital Capacity Planning System for COVID-19 [111.69190108272133]
新型コロナウイルス(COVID-19)の2019年は、集中治療リソースに対する前例のない需要を伴う圧倒的な医療システムの脅威となる。病院資源計画のための機械学習システムであるCPAS(COVID-19 Capacity Planning and Analysis System)を開発した。 CPASは、新型コロナウイルス(COVID-19)のパンデミックに対処するため、全国規模で病院に配備された最初の機械学習ベースのシステムの一つだ。
論文参考訳（メタデータ） (2020-07-27T19:39:13Z)
CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文参考訳（メタデータ） (2020-07-20T21:47:28Z)
ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文参考訳（メタデータ） (2020-05-11T16:29:12Z)

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。