論文の概要: Many-to-One Knowledge Distillation of Real-Time Epileptic Seizure
Detection for Low-Power Wearable Internet of Things Systems
- arxiv url: http://arxiv.org/abs/2208.00885v1
- Date: Wed, 20 Jul 2022 12:22:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-07 14:27:56.954197
- Title: Many-to-One Knowledge Distillation of Real-Time Epileptic Seizure
Detection for Low-Power Wearable Internet of Things Systems
- Title（参考訳）: 低消費電力ウェアラブルモノのインターネットシステムにおけるリアルタイムてんかん発作検出の多対一知識蒸留
- Authors: Saleh Baghersalimi, Alireza Amirshahi, Farnaz Forooghifar, Tomas
Teijeiro, Amir Aminifar, David Atienza
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 6.90334498220711
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Integrating low-power wearable Internet of Things (IoT) systems into routine
health monitoring is an ongoing challenge. Recent advances in the computation
capabilities of wearables make it possible to target complex scenarios by
exploiting multiple biosignals and using high-performance algorithms, such as
Deep Neural Networks (DNNs). There is, however, a trade-off between performance
of the algorithms and the low-power requirements of IoT platforms with limited
resources. Besides, physically larger and multi-biosignal-based wearables bring
significant discomfort to the patients. Consequently, reducing power
consumption and discomfort is necessary for patients to use IoT devices
continuously during everyday life. To overcome these challenges, in the context
of epileptic seizure detection, we propose a many-to-one signals knowledge
distillation approach targeting single-biosignal processing in IoT wearable
systems. The starting point is to get a highly-accurate multi-biosignal DNN,
then apply our approach to develop a single-biosignal DNN solution for IoT
systems that achieves an accuracy comparable to the original multi-biosignal
DNN. To assess the practicality of our approach to real-life scenarios, we
perform a comprehensive simulation experiment analysis on several
state-of-the-art edge computing platforms, such as Kendryte K210 and Raspberry
Pi Zero.
- Abstract（参考訳）: 低消費電力のウェアラブルIoT(Internet of Things)システムを日常的な健康モニタリングに統合することは、現在進行中の課題である。
最近のウェアラブルの計算能力の進歩により、複数のバイオシグナーを活用し、ディープニューラルネットワーク(dnn)のような高性能アルゴリズムを使用することで、複雑なシナリオをターゲットにすることができる。
しかし、アルゴリズムのパフォーマンスと限られたリソースを持つIoTプラットフォームの低電力要件との間にはトレードオフがある。
さらに、物理的に大きくてマルチバイオシグナールベースのウェアラブルは、患者に大きな不快をもたらす。
したがって、日常的にIoTデバイスを継続的に使用するためには、消費電力と不快感を減らす必要がある。
これらの課題を克服するために,てんかん発作検出の文脈において,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のナレッジ蒸留手法を提案する。
まず、高度に正確なマルチバイオサインDNNを取得し、次に、元のマルチバイオサインDNNに匹敵する精度を達成するIoTシステムのための単一バイオサインDNNソリューションを開発するために、我々のアプローチを適用する。
実生活シナリオへのアプローチの実用性を評価するため,kendryte k210やraspberry pi zeroといった最先端エッジコンピューティングプラットフォーム上で,総合的なシミュレーション実験を行った。
関連論文リスト
- Real-time Sub-milliwatt Epilepsy Detection Implemented on a Spiking Neural Network Edge Inference Processor [5.021433741823472]
本研究では、スパイキングニューラルネットワーク(SNN)を用いてててんかん発作の経時的および経時的周期を検出することを目的とする。
提案手法は,体間期間の分類において,93.3%,92.9%の高い試験精度を有する。
我々の研究は、発作検出のための新しいソリューションを提供しており、将来的にはポータブルデバイスやウェアラブルデバイスで広く使用されることが期待されている。
論文 参考訳（メタデータ） (2024-10-22T01:55:02Z) - Ternary Spike-based Neuromorphic Signal Processing System [12.32177207099149]
我々は、スパイキングニューラルネットワーク(SNN)と量子化技術を利用して、エネルギー効率が高く軽量なニューロモルフィック信号処理システムを開発する。
我々のシステムは、しきい値適応符号化(TAE)法と量子第三次SNN(QT-SNN)の2つの主要な革新によって特徴づけられる。
提案方式の効率性と有効性は、エネルギー効率の高い信号処理のための有望な経路としての可能性を強調している。
論文 参考訳（メタデータ） (2024-07-07T09:32:19Z) - Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。
FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。
実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
論文 参考訳（メタデータ） (2024-01-22T14:16:37Z) - DYNAP-SE2: a scalable multi-core dynamic neuromorphic asynchronous
spiking neural network processor [2.9175555050594975]
我々は、リアルタイムイベントベーススパイキングニューラルネットワーク(SNN)をプロトタイピングするための、脳にインスパイアされたプラットフォームを提案する。
提案システムは, 短期可塑性, NMDA ゲーティング, AMPA拡散, ホメオスタシス, スパイク周波数適応, コンダクタンス系デンドライトコンパートメント, スパイク伝達遅延などの動的および現実的なニューラル処理現象の直接エミュレーションを支援する。
異なる生物学的に可塑性のニューラルネットワークをエミュレートする柔軟性と、個体群と単一ニューロンの信号の両方をリアルタイムで監視する能力により、基礎研究とエッジコンピューティングの両方への応用のための複雑なニューラルネットワークモデルの開発と検証が可能になる。
論文 参考訳（メタデータ） (2023-10-01T03:48:16Z) - Multi-Objective Optimization for UAV Swarm-Assisted IoT with Virtual
Antenna Arrays [55.736718475856726]
無人航空機(UAV)ネットワークはIoT(Internet-of-Things)を支援するための有望な技術である
既存のUAV支援データ収集および普及スキームでは、UAVはIoTとアクセスポイントの間を頻繁に飛行する必要がある。
協調ビームフォーミングをIoTとUAVに同時に導入し、エネルギーと時間効率のデータ収集と普及を実現した。
論文 参考訳（メタデータ） (2023-08-03T02:49:50Z) - 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) - Evaluating Short-Term Forecasting of Multiple Time Series in IoT
Environments [67.24598072875744]
IoT(Internet of Things)環境は、多数のIoT対応センシングデバイスを介して監視される。
この問題を緩和するため、センサーは比較的低いサンプリング周波数で動作するように設定されることが多い。
これは、予測などの後続の意思決定を劇的に妨げる可能性がある。
論文 参考訳（メタデータ） (2022-06-15T19:46:59Z) - 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) - 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) - 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) - Convolutional-Recurrent Neural Networks on Low-Power Wearable Platforms
for Cardiac Arrhythmia Detection [0.18459705687628122]
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。
論文 参考訳（メタデータ） (2020-01-08T10:35:48Z)
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。