論文の概要: EpiDeNet: An Energy-Efficient Approach to Seizure Detection for Embedded
Systems
- arxiv url: http://arxiv.org/abs/2309.07135v1
- Date: Mon, 28 Aug 2023 11:29:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-17 13:50:37.089632
- Title: EpiDeNet: An Energy-Efficient Approach to Seizure Detection for Embedded
Systems
- Title(参考訳): epidenet:組込みシステムにおける発作検出のためのエネルギー効率の高いアプローチ
- Authors: Thorir Mar Ingolfsson, Upasana Chakraborty, Xiaying Wang, Sandor
Beniczky, Pauline Ducouret, Simone Benatti, Philippe Ryvlin, Andrea
Cossettini and Luca Benini
- Abstract要約: 本稿では,新しい軽量な発作検出ネットワークであるEpiDeNetを紹介する。
SSWCE(Sensitivity-Specificity Weighted Cross-Entropy)は、感度と特異性を組み込んだ新たな損失関数である。
SSWCE損失と組み合わされた3ウィンドウの多数決に基づく平滑化方式は、偽陽性を1.18FP/hに3倍減少させる。
- 参考スコア(独自算出の注目度): 9.525786920713763
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Epilepsy is a prevalent neurological disorder that affects millions of
individuals globally, and continuous monitoring coupled with automated seizure
detection appears as a necessity for effective patient treatment. To enable
long-term care in daily-life conditions, comfortable and smart wearable devices
with long battery life are required, which in turn set the demand for
resource-constrained and energy-efficient computing solutions. In this context,
the development of machine learning algorithms for seizure detection faces the
challenge of heavily imbalanced datasets. This paper introduces EpiDeNet, a new
lightweight seizure detection network, and Sensitivity-Specificity Weighted
Cross-Entropy (SSWCE), a new loss function that incorporates sensitivity and
specificity, to address the challenge of heavily unbalanced datasets. The
proposed EpiDeNet-SSWCE approach demonstrates the successful detection of
91.16% and 92.00% seizure events on two different datasets (CHB-MIT and
PEDESITE, respectively), with only four EEG channels. A three-window majority
voting-based smoothing scheme combined with the SSWCE loss achieves 3x
reduction of false positives to 1.18 FP/h. EpiDeNet is well suited for
implementation on low-power embedded platforms, and we evaluate its performance
on two ARM Cortex-based platforms (M4F/M7) and two parallel ultra-low power
(PULP) systems (GAP8, GAP9). The most efficient implementation (GAP9) achieves
an energy efficiency of 40 GMAC/s/W, with an energy consumption per inference
of only 0.051 mJ at high performance (726.46 MMAC/s), outperforming the best
ARM Cortex-based solutions by approximately 160x in energy efficiency. The
EpiDeNet-SSWCE method demonstrates effective and accurate seizure detection
performance on heavily imbalanced datasets, while being suited for
implementation on energy-constrained platforms.
- Abstract(参考訳): てんかんは世界中で何百万人もの個人に影響を及ぼす神経疾患であり、連続的なモニタリングと自動的な発作検出が効果的な患者治療に欠かせない。
日常生活における長期的なケアを可能にするためには、快適でスマートなウェアラブルデバイスが必要であり、これにより、リソース制約とエネルギー効率のよいコンピューティングソリューションの需要が高まる。
この文脈では、発作検出のための機械学習アルゴリズムの開発は、高度に不均衡なデータセットの課題に直面している。
本稿では、新しい軽量な発作検出ネットワークであるEpiDeNetと、感度と特異性を組み込んだ新たな損失関数であるSSWCEを紹介し、重度の不均衡データセットの課題に対処する。
提案されたEpiDeNet-SSWCEアプローチは、2つの異なるデータセット(それぞれCHB-MITとPEDESITE)で91.16%と92.00%の発作イベントの検出に成功したことを実証している。
SSWCE損失と組み合わされた3ウィンドウの多数決に基づく平滑化方式は、偽陽性を1.18FP/hに3倍減少させる。
EpiDeNetは低消費電力組み込みプラットフォームの実装に適しており、2つのARM Cortexベースプラットフォーム(M4F/M7)と2つの並列超低電力システム(GAP8,GAP9)の性能評価を行っている。
最も効率的な実装(GAP9)は40 GMAC/s/Wのエネルギー効率を実現し、性能は0.051 mJ (726.46 MMAC/s)で、エネルギー効率はおよそ160倍に向上する。
EpiDeNet-SSWCE法は、エネルギー制約のあるプラットフォーム上での実装に適しつつ、非常に不均衡なデータセット上で、効果的で正確な発作検出性能を示す。
関連論文リスト
- SeizNet: An AI-enabled Implantable Sensor Network System for Seizure
Prediction [10.362437111632069]
本稿では,Deep Learning (DL) 法と組込み型センサネットワークを用いてててんかん発作を予測するためのクローズドループシステムであるSeezNetを紹介する。
以上の結果から,SeizNetは従来の単一モダリティおよび非個人化予測システムよりも優れ,発作の予測精度は最大99%向上した。
論文 参考訳(メタデータ) (2024-01-12T15:51:40Z) - High-Throughput, High-Performance Deep Learning-Driven Light Guide Plate
Surface Visual Quality Inspection Tailored for Real-World Manufacturing
Environments [75.66288398180525]
光導光板は、医療用照明器具からバックライトテレビディスプレイまで幅広い用途で広く利用されている光学部品である。
本研究では,光ガイド板表面の視覚的品質検査(VQI)を現実の製造環境に適した,完全に統合された,高性能なディープラーニング駆動ワークフローを提案する。
完全統合VQIシステム内のエッジコンピューティング上でのVQIの自動化を実現するため、高コンパクトな深層アンチエイリアス型アテンションコンデンサニューラルネットワーク(LightDefectNetと呼ぶ)が開発された。
LightDetectNetが検出精度を実現する実験
論文 参考訳(メタデータ) (2022-12-20T20:11:11Z) - Seizure Detection and Prediction by Parallel Memristive Convolutional
Neural Networks [2.0738462952016232]
本稿では,低レイテンシ並列畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
本ネットワークは,てんかん発作検出では99.84%,てんかん発作予測では97.54%のクロスバリデーション精度を達成している。
CNNは22nm FDSOI CMOSプロセスで31.255mm$2$の面積を占有しながら約2.791Wの電力を消費すると推定されている。
論文 参考訳(メタデータ) (2022-06-20T18:16:35Z) - Federated Learning for Energy-limited Wireless Networks: A Partial Model
Aggregation Approach [79.59560136273917]
デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックである
まず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。
提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
論文 参考訳(メタデータ) (2022-04-20T19:09:52Z) - Energy-Efficient Tree-Based EEG Artifact Detection [17.085570466000906]
てんかんモニタリングでは、脳波アーチファクトは振幅と周波数の両方で形態学的に類似しているため、発作と誤認されることが多い。
本研究では, 並列超低消費電力(PULP)組み込みプラットフォーム上で, 最小数のEEGチャネルに基づくアーティファクト検出アルゴリズムの実装について述べる。
論文 参考訳(メタデータ) (2022-04-19T12:57:26Z) - SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection
Classifier [68.8204255655161]
神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。
移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。
SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
論文 参考訳(メタデータ) (2021-10-01T23:01:20Z) - Towards Long-term Non-invasive Monitoring for Epilepsy via Wearable EEG
Devices [11.622034020961912]
並列な超低消費電力組込みプラットフォーム上での最小数の脳波チャンネルに基づく発作検出アルゴリズムの実装について述べる。
我々は23個の電極または4つの時間チャネルを考慮し、グローバルおよび主題固有のアプローチを分析する。
8sウィンドウサイズと主観的アプローチでは,偽陽性はゼロ,感度は100%であった。
論文 参考訳(メタデータ) (2021-06-15T09:37:09Z) - Reinforcement Learning for Minimizing Age of Information in Real-time
Internet of Things Systems with Realistic Physical Dynamics [158.67956699843168]
本稿では,インターネット・オブ・モノ(IoT)デバイスにおける情報量(AoI)と総エネルギー消費の重み付けを最小化する問題について検討する。
サンプリングポリシを最適化するために,分散強化学習手法を提案する。
PM 2.5公害の実データを用いたシミュレーションでは、提案アルゴリズムがAoIの合計を最大17.8%および33.9%削減できることが示された。
論文 参考訳(メタデータ) (2021-04-04T03:17:26Z) - EEG-Inception: An Accurate and Robust End-to-End Neural Network for
EEG-based Motor Imagery Classification [123.93460670568554]
本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。
提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
論文 参考訳(メタデータ) (2021-01-24T19:03:10Z) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳(メタデータ) (2020-02-20T04:58:07Z)
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。