論文の概要: MorpheusNet: Resource efficient sleep stage classifier for embedded
on-line systems
- arxiv url: http://arxiv.org/abs/2401.10284v1
- Date: Sun, 14 Jan 2024 17:52:08 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-28 16:22:42.914610
- Title: MorpheusNet: Resource efficient sleep stage classifier for embedded
on-line systems
- Title（参考訳）: MorpheusNet: 組み込みオンラインシステムのための資源効率の良い睡眠ステージ分類器
- Authors: Ali Kavoosi, Morgan P. Mitchell, Raveen Kariyawasam, John E. Fleming,
Penny Lewis, Heidi Johansen-Berg, Hayriye Cagnan, Timothy Denison
- Abstract要約: 睡眠段階分類(SSC)は労働集約的な作業であり、専門家は手動の分類のために数時間の電気生理学的記録を調べる必要がある。
ウェアラブルデバイスの普及と拡張により、SSCは睡眠ベースの治療法を大規模に展開することができる。
ディープラーニングはこのプロセスを自動化するための潜在的な方法として注目を集めている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Sleep Stage Classification (SSC) is a labor-intensive task, requiring experts
to examine hours of electrophysiological recordings for manual classification.
This is a limiting factor when it comes to leveraging sleep stages for
therapeutic purposes. With increasing affordability and expansion of wearable
devices, automating SSC may enable deployment of sleep-based therapies at
scale. Deep Learning has gained increasing attention as a potential method to
automate this process. Previous research has shown accuracy comparable to
manual expert scores. However, previous approaches require sizable amount of
memory and computational resources. This constrains the ability to classify in
real time and deploy models on the edge. To address this gap, we aim to provide
a model capable of predicting sleep stages in real-time, without requiring
access to external computational sources (e.g., mobile phone, cloud). The
algorithm is power efficient to enable use on embedded battery powered systems.
Our compact sleep stage classifier can be deployed on most off-the-shelf
microcontrollers (MCU) with constrained hardware settings. This is due to the
memory footprint of our approach requiring significantly fewer operations. The
model was tested on three publicly available data bases and achieved
performance comparable to the state of the art, whilst reducing model
complexity by orders of magnitude (up to 280 times smaller compared to state of
the art). We further optimized the model with quantization of parameters to 8
bits with only an average drop of 0.95% in accuracy. When implemented in
firmware, the quantized model achieves a latency of 1.6 seconds on an Arm
CortexM4 processor, allowing its use for on-line SSC-based therapies.
- Abstract（参考訳）: 睡眠ステージ分類(ssc)は労働集約的な作業であり、手動分類のための電気生理学的記録の時間を調べる必要がある。
これは、治療目的で睡眠ステージを活用する際の制限要因である。
ウェアラブルデバイスの普及と拡張により、SSCの自動化により、大規模な睡眠ベースの治療法の展開が可能になる。
ディープラーニングはこのプロセスを自動化する潜在的な方法として注目を集めている。
これまでの研究では、手動のエキスパートスコアに匹敵する精度を示した。
しかし、従来の手法では膨大な量のメモリと計算資源を必要とする。
これにより、リアルタイムに分類し、エッジにモデルをデプロイする能力が制限される。
このギャップに対処するため、私たちは、外部の計算ソース(例えば携帯電話、クラウド)にアクセスせずに、睡眠ステージをリアルタイムで予測できるモデルを提供することを目指している。
このアルゴリズムは、組み込みバッテリー駆動システムで使用可能な電力効率が良い。
我々の小型睡眠ステージ分類器は、ハードウェア設定が制約されたほとんどの市販マイクロコントローラ(MCU)に展開できる。
これは、我々のアプローチのメモリフットプリントが大幅に少ないためです。
モデルは3つの一般公開されたデータベースでテストされ、その性能は最先端に匹敵するが、モデルの複雑さは桁違いに減らした(最先端に比べて最大280倍も小さい)。
さらに、パラメータを8ビットに量子化し、平均0.95%の精度でモデルを最適化した。
ファームウェアに実装されると、量子化されたモデルはarm cortexm4プロセッサ上で1.6秒のレイテンシを達成し、オンラインのsscベースの治療に使用できる。
関連論文リスト
- Annotating sleep states in children from wrist-worn accelerometer data
using Machine Learning [4.506099292980221]
本稿では,サポートベクトル,ブースティング,アンサンブル手法,LSTMやリージョンベースのCNNなど,さまざまな機械学習(ML)技術を用いて加速度センサデータをモデル化することを提案する。
その後,イベント検出平均精度(EDAP)スコア(IOU測定値と類似)を用いてこれらの手法を評価し,最終的に予測能力とモデル性能を比較することを目的とする。
論文 参考訳（メタデータ） (2023-12-09T09:10:39Z) - DeepGEMM: Accelerated Ultra Low-Precision Inference on CPU Architectures
using Lookup Tables [49.965024476651706]
DeepGEMMはSIMDハードウェア上で超高精度畳み込みニューラルネットワークを実行するためのルックアップテーブルベースのアプローチである。
実装は、x86プラットフォーム上で、対応する8ビット整数カーネルを最大1.74倍の性能で上回る。
論文 参考訳（メタデータ） (2023-04-18T15:13:10Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳（メタデータ） (2023-04-14T09:39:06Z) - A CNN-Transformer Deep Learning Model for Real-time Sleep Stage
Classification in an Energy-Constrained Wireless Device [2.5672176409865686]
本稿では,単一チャネル脳波データに基づく自動睡眠ステージ分類のためのディープラーニング(DL)モデルを提案する。
このモデルは、ローカル処理によるリアルタイム操作のために、エネルギーとメモリ制限されたデバイス上で動作するように設計された。
我々は、Arduino Nano 33 BLEボード上で、提案モデルの小型版をテストし、完全に機能し、精度が高かった。
論文 参考訳（メタデータ） (2022-11-20T16:22:30Z) - A Closed-loop Sleep Modulation System with FPGA-Accelerated Deep
Learning [1.5569382274788235]
我々は,低消費電力フィールドプログラマブルゲートアレイ(FPGA)デバイス上でのクローズドループ操作をサポートする睡眠変調システムを開発した。
ディープラーニング(DL)モデルは、低消費電力のフィールドプログラマブルゲートアレイ(FPGA)デバイスによって加速される。
81名の被験者を含む公衆睡眠データベースを用いて、85.8%の最先端の分類精度とF1スコアの79%の精度でモデルが検証されている。
論文 参考訳（メタデータ） (2022-11-19T01:47:53Z) - Incremental Online Learning Algorithms Comparison for Gesture and Visual
Smart Sensors [68.8204255655161]
本稿では,加速度センサデータに基づくジェスチャー認識と画像分類の2つの実例として,最先端の4つのアルゴリズムを比較した。
以上の結果から,これらのシステムの信頼性と小型メモリMCUへのデプロイの可能性が確認された。
論文 参考訳（メタデータ） (2022-09-01T17:05:20Z) - Do Not Sleep on Linear Models: Simple and Interpretable Techniques
Outperform Deep Learning for Sleep Scoring [1.6339105551302067]
私たちは、睡眠スコアリングのディープラーニングソリューションのほとんどは、トレーニング、デプロイ、再現が難しいため、実際の適用性に制限がある、と論じています。
本研究では,従来の機械学習を用いた睡眠ステージ分類の問題を再考する。
その結果、従来の機械学習パイプラインでは、最先端のパフォーマンスが達成できることがわかった。
論文 参考訳（メタデータ） (2022-07-15T21:03:11Z) - A TinyML Platform for On-Device Continual Learning with Quantized Latent
Replays [66.62377866022221]
Latent Replay-based Continual Learning (CL)技術は、原則としてオンライン、サーバレスの適応を可能にする。
10コアのFP32対応並列超低消費電力プロセッサをベースとした,エンドツーエンドCLのためのHW/SWプラットフォームを提案する。
これらの手法を組み合わせることで,64MB未満のメモリを用いて連続学習を実現することができることを示す。
論文 参考訳（メタデータ） (2021-10-20T11:01:23Z) - LCS: Learning Compressible Subspaces for Adaptive Network Compression at
Inference Time [57.52251547365967]
本稿では,ニューラルネットワークの「圧縮可能な部分空間」を訓練する手法を提案する。
構造的・非構造的空間に対する推定時間における微粒な精度・効率のトレードオフを任意に達成するための結果を示す。
我々のアルゴリズムは、可変ビット幅での量子化にまで拡張し、個別に訓練されたネットワークと同等の精度を実現する。
論文 参考訳（メタデータ） (2021-10-08T17:03:34Z) - REST: Robust and Efficient Neural Networks for Sleep Monitoring in the
Wild [62.36144064259933]
ニューラルネットワークの逆トレーニングとLipschitz定数の制御を通じて、両問題に同時に対処する新しい方法であるRESTを提案する。
私たちは、RESTがノイズの存在下で、オリジナルのフルサイズのモデルを大幅に上回る、ロバストで効率的なモデルを生成することを実証しています。
これらのモデルをスマートフォン上のAndroidアプリケーションにデプロイすることにより、RESTによってモデルが最大17倍のエネルギー削減と9倍高速な推論を達成することができることを定量的に観察する。
論文 参考訳（メタデータ） (2020-01-29T17:23:16Z)
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。