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

• Demo: Multi-Modal Seizure Prediction System [9.940843218393198]
  SeizNetは、マルチモーダルセンサーネットワークから恩恵を受けるてんかん発作を予測する革新的なシステムである。 てんかんは世界中で約6500万人に影響を及ぼし、その多くは薬剤耐性の発作を経験している。 SeizNetは、移植可能なデバイスのサイズとエネルギー制限を維持しながら、発作予測において97%の精度を達成する。
  論文  参考訳（メタデータ） (2024-11-01T18:21:37Z)
• AI-Powered Dynamic Fault Detection and Performance Assessment in Photovoltaic Systems [44.99833362998488]
  太陽光発電(PV)の断続的な性質により、電力損失は10-70%、エネルギー生産量は25%減少する。 現在の故障検出戦略はコストが高く、複雑なデータ信号プロファイルのために信頼性の低い結果が得られることが多い。 本研究では,PythonのPVlibライブラリを用いた動的損失量子化アルゴリズムを取り入れた計算モデルを提案する。
  論文  参考訳（メタデータ） (2024-08-19T23:52:06Z)
• Energy-Efficient Seizure Detection Suitable for low-power Applications [0.5326090003728084]
  てんかんは世界中で最も一般的で慢性的な神経疾患である。 神経インプラントは、検出時に来るべき発作を抑制することにより、効果的な治療に使用できる。 本稿では,TC-ResNetと時系列解析によるエネルギー効率の高い発作検出手法を提案する。
  論文  参考訳（メタデータ） (2024-06-19T11:36:29Z)
• REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
  本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。 グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。 本モデルは,発作検出と分類作業において高い精度を示す。
  論文  参考訳（メタデータ） (2024-06-03T16:30:19Z)
• Event-Driven Learning for Spiking Neural Networks [43.17286932151372]
  脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、ニューロモルフィックコンピューティングの分野で注目されている。 バックプロパゲーション学習コストを最小限に抑えるために、SNNのスパースイベント駆動プロパティから効果的に利益を得るには、依然としてオープンな課題である。 本稿では,スパイクタイミング依存イベント駆動(STD-ED)アルゴリズムと膜電位依存イベント駆動(MPD-ED)アルゴリズムの2つの新しい学習手法を紹介する。
  論文  参考訳（メタデータ） (2024-03-01T04:17:59Z)
• 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)
• 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)

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。