論文の概要: An adaptive cognitive sensor node for ECG monitoring in the Internet of Medical Things

• arxiv url: http://arxiv.org/abs/2106.06498v1
• Date: Fri, 11 Jun 2021 16:49:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-14 14:00:41.170446
• Title: An adaptive cognitive sensor node for ECG monitoring in the Internet of Medical Things
• Title（参考訳）: Internet of Medical ThingsにおけるECGモニタリングのための適応型認知センサノード
• Authors: Matteo Antonio Scrugli, Daniela Loi, Luigi Raffo, Paolo Meloni
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.7646713951724011
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Internet of Medical Things (IoMT) paradigm is becoming mainstream in multiple clinical trials and healthcare procedures. It relies on novel very accurate and compact sensing devices and communication infrastructures, opening previously unmatched possibilities of implementing data collection and continuous patient monitoring. Nevertheless, to fully exploit the potential of this technology, some steps forwards are needed. First, the edge-computing paradigm must be added to the picture. A certain level of near-sensor processing has to be enabled, to improve the scalability, portability, reliability, responsiveness of the IoMT nodes. Second, novel, increasingly accurate, data analysis algorithms, such as those based on artificial intelligence and Deep Learning, must be exploited. To reach these objectives, designers, programmers of IoMT nodes, have to face challenging optimization tasks, in order to execute fairly complex computing tasks on low-power wearable and portable processing systems, with tight power and battery lifetime budgets. In this work, we explore the implementation of cognitive data analysis algorithm on resource-constrained computing platforms. To minimize power consumption, we add an adaptivity layer that dynamically manages the hardware and software configuration of the device to adapt it at runtime to the required operating mode. We have assessed our approach on a use-case using a convolutional neural network to classify electrocardiogram (ECG) traces on a low-power microcontroller. Our experimental results show that adapting the node setup to the workload at runtime can save up to 50% power consumption and a quantized neural network reaches an accuracy value higher than 98% for arrhythmia disorders detection on MIT-BIH Arrhythmia dataset.
• Abstract（参考訳）: 医療機器のインターネット(iomt)パラダイムは、複数の臨床試験や医療手順において主流になりつつある。 これは、非常に正確でコンパクトなセンサーデバイスと通信インフラに依存しており、データ収集と継続的患者監視を実装するという、これまで整合性のない可能性を秘めている。 それでも、この技術の可能性を完全に活用するには、いくつかのステップが必要である。 まず、エッジコンピューティングパラダイムを図に追加する必要があります。 IoMTノードのスケーラビリティ、ポータビリティ、信頼性、応答性を改善するために、一定のレベルの近接センサ処理を有効にする必要がある。 第2に、人工知能やディープラーニングに基づくもののような、新しい、ますます正確なデータ分析アルゴリズムを活用しなければならない。 これらの目的を達成するために、IoMTノードのデザイナやプログラマは、低消費電力のウェアラブルおよびポータブルな処理システム上でかなり複雑な計算タスクを実行するために、厳しい最適化タスクに直面する必要がある。 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。 電力消費を最小限に抑えるため,機器のハードウェアおよびソフトウェア構成を動的に管理し,実行時に必要な動作モードに適応する適応層を追加する。 我々は,低消費電力マイクロコントローラ上での心電図(ECG)トレースの分類に畳み込みニューラルネットワークを用いたユースケースに対するアプローチを評価した。 実験の結果,ノード設定を実行時にワークロードに適応させることで,最大50%の消費電力を削減でき,MIT-BIH Arrhythmiaデータセット上の不整脈障害検出の精度が98%以上に達することがわかった。

関連論文リスト

• Analysis of a Memcapacitor-Based for Neural Network Accelerator Framework [0.9421843976231371]
  本稿では,カデンスツールを用いた新しいCMOSベースのメモリキャパシタ回路を提案する。 メムキャパシタベースのアクセラレータの設計を容易にするため,我々はPythonでこのデバイスを開発した。 本研究では,メムキャパシタを用いたニューラルネットワークシステムによる分類処理の可能性を示す。
  論文  参考訳（メタデータ） (2025-01-21T18:02:30Z)
• Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
  ニューロモルフィックコンピューティングは、スパイキングニューラルネットワーク(SNN)を使用して推論タスクを実行する。 スパイクニューロン間で交換される各スパイクに小さなペイロードを埋め込むことで、エネルギー消費を増大させることなく推論精度を高めることができる。 分割コンピューティング — SNNを2つのデバイスに分割する — は、有望なソリューションだ。 本稿では,マルチレベルSNNを用いたニューロモルフィック無線分割コンピューティングアーキテクチャの総合的研究について述べる。
  論文  参考訳（メタデータ） (2024-11-07T14:08:35Z)
• Recent Advances in Scalable Energy-Efficient and Trustworthy Spiking Neural networks: from Algorithms to Technology [11.479629320025673]
  スパイキングニューラルネットワーク(SNN)は、幅広い信号処理アプリケーションのために、ディープニューラルネットワークの魅力的な代替品となっている。 我々は、低レイテンシとエネルギー効率のSNNを効率的に訓練し、拡張するためのアルゴリズムと最適化の進歩について述べる。 デプロイ可能なSNNシステム構築における研究の今後の可能性について論じる。
  論文  参考訳（メタデータ） (2023-12-02T19:47:00Z)
• Many-to-One Knowledge Distillation of Real-Time Epileptic Seizure Detection for Low-Power Wearable Internet of Things Systems [6.90334498220711]
  低消費電力のウェアラブルIoTシステムと定期的な健康モニタリングを統合することは、現在進行中の課題である。 ウェアラブルの計算能力の最近の進歩により、複数のバイオシグナーを利用する複雑なシナリオをターゲットにすることが可能になった。 身体的に大きく、バイオシグナーをベースとしたウェアラブルは、患者にとって大きな不快感をもたらす。 本稿では,IoTウェアラブルシステムにおける単一生体信号処理を対象とした多対一信号の知識蒸留手法を提案する。
  論文  参考訳（メタデータ） (2022-07-20T12:22:26Z)
• FPGA-optimized Hardware acceleration for Spiking Neural Networks [69.49429223251178]
  本研究は,画像認識タスクに適用したオフライントレーニングによるSNN用ハードウェアアクセラレータの開発について述べる。 この設計はXilinx Artix-7 FPGAをターゲットにしており、利用可能なハードウェアリソースの40%を合計で使用している。 分類時間を3桁に短縮し、ソフトウェアと比較すると精度にわずか4.5%の影響を与えている。
  論文  参考訳（メタデータ） (2022-01-18T13:59:22Z)
• An adaptable cognitive microcontroller node for fitness activity recognition [0.0]
  ウォブルボード(英: Wobble board)は、足首の怪我を避けるために、または怪我後のリハビリの一環として、感覚運動の訓練に使用できる安価な装置である。 本研究では,ウルブルボードに適用可能な携帯型,電池駆動型マイクロコントローラデバイスを提案する。 電力消費を減らすために,ハードウェアとソフトウェアの構成を動的に管理し,実行時に必要な動作モードに適応する適応層を追加する。
  論文  参考訳（メタデータ） (2022-01-13T18:06:38Z)
• Hybrid SNN-ANN: Energy-Efficient Classification and Object Detection for Event-Based Vision [64.71260357476602]
  イベントベースの視覚センサは、画像フレームではなく、イベントストリームの局所的な画素単位の明るさ変化を符号化する。 イベントベースセンサーによる物体認識の最近の進歩は、ディープニューラルネットワークの変換によるものである。 本稿では、イベントベースのパターン認識とオブジェクト検出のためのディープニューラルネットワークのエンドツーエンドトレーニングのためのハイブリッドアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-12-06T23:45:58Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• 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)
• Towards AIOps in Edge Computing Environments [60.27785717687999]
  本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。 高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
  論文  参考訳（メタデータ） (2021-02-12T09:33:00Z)
• Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
  本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。 本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。 提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
  論文  参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。