論文の概要: Characterizing Accuracy Trade-offs of EEG Applications on Embedded HMPs
- arxiv url: http://arxiv.org/abs/2402.09867v1
- Date: Thu, 15 Feb 2024 10:50:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-16 16:03:25.307364
- Title: Characterizing Accuracy Trade-offs of EEG Applications on Embedded HMPs
- Title(参考訳): 埋め込みHMPにおける脳波アプリケーションの精度トレードオフ特性
- Authors: Zain Taufique, Muhammad Awais Bin Altaf, Antonio Miele, Pasi
Liljeberg, Anil Kanduri
- Abstract要約: 本稿では,脳波アプリケーションの性能・精度のトレードオフを,様々な近似,パワー,性能レベルで評価する。
本研究では,3つの脳波アプリケーション(てんかん発作性青少年,睡眠段階分類,ストレス検出)の誤差レジリエンスを特徴付ける。
- 参考スコア(独自算出の注目度): 1.889929749760388
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Electroencephalography (EEG) recordings are analyzed using battery-powered
wearable devices to monitor brain activities and neurological disorders. These
applications require long and continuous processing to generate feasible
results. However, wearable devices are constrained with limited energy and
computation resources, owing to their small sizes for practical use cases.
Embedded heterogeneous multi-core platforms (HMPs) can provide better
performance within limited energy budgets for EEG applications. Error
resilience of the EEG application pipeline can be exploited further to maximize
the performance and energy gains with HMPs. However, disciplined tuning of
approximation on embedded HMPs requires a thorough exploration of the
accuracy-performance-power trade-off space. In this work, we characterize the
error resilience of three EEG applications, including Epileptic Seizure
Detection, Sleep Stage Classification, and Stress Detection on the real-world
embedded HMP test-bed of the Odroid XU3 platform. We present a combinatorial
evaluation of power-performance-accuracy trade-offs of EEG applications at
different approximation, power, and performance levels to provide insights into
the disciplined tuning of approximation in EEG applications on embedded
platforms.
- Abstract(参考訳): 脳波(eeg)記録は、バッテリー駆動のウェアラブルデバイスを用いて脳活動や神経疾患を監視する。
これらのアプリケーションは、実現可能な結果を生成するのに長く連続的な処理を必要とする。
しかしながら、ウェアラブルデバイスは、実用ユースケースの小さなサイズのため、限られたエネルギーと計算資源で制約されている。
組み込みヘテロジニアスマルチコアプラットフォーム(HMP)は、EEGアプリケーションのための限られたエネルギー予算内で、より良いパフォーマンスを提供できる。
EEGアプリケーションパイプラインのエラーレジリエンスをさらに活用して,HMPの性能とエネルギ向上を最大化することができる。
しかし、組み込みHMPに対する近似の規律的なチューニングは、精度と性能のトレードオフ空間を徹底的に調べる必要がある。
本研究は,Odroid XU3 プラットフォームの実世界の組み込み HMP テストベッド上での懐疑的サイズール検出,睡眠段階分類,ストレス検出を含む3つの脳波アプリケーションのエラーレジリエンスを特徴付ける。
本稿では,様々な近似,出力,性能レベルでの脳波アプリケーションのパワー・パフォーマンス・精度トレードオフの組合せ評価を行い,組み込みプラットフォーム上での脳波アプリケーションの近似の規律的なチューニングについて考察する。
関連論文リスト
- EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient
Arrhythmia Classification [79.7946379395238]
心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。
本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
論文 参考訳(メタデータ) (2023-10-24T02:37:49Z) - EpiDeNet: An Energy-Efficient Approach to Seizure Detection for Embedded
Systems [9.525786920713763]
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。
論文 参考訳(メタデータ) (2023-08-28T11:29:51Z) - Energy-efficient Task Adaptation for NLP Edge Inference Leveraging
Heterogeneous Memory Architectures [68.91874045918112]
Adapter-ALBERTは、様々なタスクにわたる最大データ再利用のための効率的なモデル最適化である。
検証されたNLPエッジアクセラレータ上でシミュレーションを行うことにより、モデルを不均一なオンチップメモリアーキテクチャにマッピングする利点を実証する。
論文 参考訳(メタデータ) (2023-03-25T14:40:59Z) - ETLP: Event-based Three-factor Local Plasticity for online learning with
neuromorphic hardware [105.54048699217668]
イベントベース3要素局所塑性(ETLP)の計算複雑性に明らかな優位性を有する精度の競争性能を示す。
また, 局所的可塑性を用いた場合, スパイキングニューロンの閾値適応, 繰り返しトポロジーは, 時間的構造が豊富な時間的パターンを学習するために必要であることを示した。
論文 参考訳(メタデータ) (2023-01-19T19:45:42Z) - Task-oriented Self-supervised Learning for Anomaly Detection in
Electroencephalography [51.45515911920534]
タスク指向型自己教師型学習手法を提案する。
大きなカーネルを持つ特定の2つの分岐畳み込みニューラルネットワークを特徴抽出器として設計する。
効果的に設計され、訓練された特徴抽出器は、より優れた特徴表現を脳波から抽出できることが示されている。
論文 参考訳(メタデータ) (2022-07-04T13:15:08Z) - Data augmentation for learning predictive models on EEG: a systematic
comparison [79.84079335042456]
脳波(EEG)分類タスクの深層学習は、ここ数年急速に増加している。
EEG分類タスクのディープラーニングは、比較的小さなEEGデータセットによって制限されている。
データ拡張は、コンピュータビジョンや音声などのアプリケーションにまたがる最先端のパフォーマンスを得るために重要な要素となっている。
論文 参考訳(メタデータ) (2022-06-29T09:18:15Z) - 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) - Enabling Super-Fast Deep Learning on Tiny Energy-Harvesting IoT Devices [3.070669432211866]
エネルギー回収装置は、電池なしで断続的に作動する。
EHデバイスにメモリ集約アルゴリズムを実装することは、限られたリソースと断続的な電力供給のために非常に困難である。
本稿では,低エネルギー加速器による超高速深層学習を実現する手法を提案する。
論文 参考訳(メタデータ) (2021-11-28T04:55:41Z) - One-class Autoencoder Approach for Optimal Electrode Set-up
Identification in Wearable EEG Event Monitoring [2.070033298948954]
そこで本稿では, 最小限の電極数, 快適な位置, 性能の観点から, ウェアラブルEEG電極の最適セットアップを特定することを提案する。
本研究では,現実のヘルスケアモニタリングに最適化されたウェアラブルデバイスの設計と実装を可能にするために,学習に基づくアプローチが利用できることを示唆する。
論文 参考訳(メタデータ) (2021-04-09T18:17:22Z) - 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) - Convolutional Neural Networks for Automatic Detection of Artifacts from
Independent Components Represented in Scalp Topographies of EEG Signals [9.088303226909279]
眼球運動や点滅、筋/心臓活動、一般的な電気障害などによるアーチファクトの認識と排除が求められている。
ICAは、2Dの頭皮のトポグラフィー(画像)に再投影することで、人工物とUBSを認識・分離できる独立したコンポーネント(IC)に信号を切り分けるのに効果的である。
2次元畳み込みニューラルネットワーク(CNN)に基づくICトポロによる脳波アーチファクト認識のための,完全自動かつ効果的なフレームワークを提案する。
実験では、32のトポロを分類するために標準PCで1.4秒を使用、全体の98%以上の精度を示した。
論文 参考訳(メタデータ) (2020-09-08T12:40:10Z)
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。