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
- FEMBA: Efficient and Scalable EEG Analysis with a Bidirectional Mamba Foundation Model [19.91895489891802]
本稿では,脳波分析のための新たな自己組織化フレームワークであるFEMBA(Foundational EEG Mamba + Bidirectional Architecture)を紹介する。
2次時間とメモリの複雑さが原因のTransformerベースのモデルとは異なり、FEMBAはシーケンス長と線形にスケールする。
トランスモデルと比較して競争性能が向上し、計算コストは大幅に低下する。
論文 参考訳(メタデータ) (2025-02-10T13:15:52Z) - CEReBrO: Compact Encoder for Representations of Brain Oscillations Using Efficient Alternating Attention [53.539020807256904]
交互注意(CEReBrO)を用いた脳振動の表現のための圧縮法について紹介する。
トークン化方式は、チャネルごとのパッチで脳波信号を表現します。
本研究では,チャネル内時間的ダイナミックスとチャネル間空間的相関を共同でモデル化し,通常の自己アテンションに比べて6倍少ないメモリで2倍の速度向上を実現するための注意機構を提案する。
論文 参考訳(メタデータ) (2025-01-18T21:44:38Z) - Graph Adapter of EEG Foundation Models for Parameter Efficient Fine Tuning [1.8946099300030472]
これらの課題に対処するために,パラメータ効率のよい微細チューニング(PEFT)手法であるEEG-GraphAdapter (EGA)を提案する。
EGAは、GNNベースのモジュールとしてトレーニング済みの時間バックボーンモデルに統合され、バックボーンを凍結し、アダプタのみを微調整できる。
重度抑うつ障害(MDD)と不規則性検出(TUAB)の2つの医療関連下流課題に対する実験的評価 : 背骨BENDRモデルと比較して,EGAがF1スコアで最大16.1%向上することを示す。
論文 参考訳(メタデータ) (2024-11-25T07:30:52Z) - EEGMobile: Enhancing Speed and Accuracy in EEG-Based Gaze Prediction with Advanced Mobile Architectures [0.36832029288386137]
本研究では,脳波の回帰タスクにおいて,事前学習したMobileViTと知識蒸留(KD)を併用したモデルを提案する。
その結果,EEGEyeNet Absolute Position Task の以前の State-Of-The-Art (SOTA) に匹敵するレベル(3%以下)で動作可能であることが示された。
論文 参考訳(メタデータ) (2024-08-06T21:02:27Z) - Generative AI Enables EEG Super-Resolution via Spatio-Temporal Adaptive Diffusion Learning [14.96787832363301]
HDデバイスは頭皮により多くの電極を配置することで脳波の空間分解能を向上させる。
この技術は、高い取得コストや限られた利用シナリオといった課題に直面している。
本稿では,適応拡散モデル(STAD)を提案する。
論文 参考訳(メタデータ) (2024-07-03T13:26:31Z) - 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) - 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) - 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) - 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)
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。