論文の概要: BiomedBench: A benchmark suite of TinyML biomedical applications for low-power wearables
- arxiv url: http://arxiv.org/abs/2406.03886v2
- Date: Thu, 29 Aug 2024 19:11:21 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-02 19:51:26.066281
- Title: BiomedBench: A benchmark suite of TinyML biomedical applications for low-power wearables
- Title（参考訳）: BiomedBench:低消費電力ウェアラブル向けTinyMLバイオメディカルアプリケーションのベンチマークスイート
- Authors: Dimitrios Samakovlis, Stefano Albini, Rubén Rodríguez Álvarez, Denisa-Andreea Constantinescu, Pasquale Davide Schiavone, Miguel Peón Quirós, David Atienza,
- Abstract要約: 本稿では,ウェアラブルデバイスを用いた患者のリアルタイムモニタリングのための,エンド・ツー・エンドのTinyMLバイオメディカル・アプリケーションからなる新しいベンチマークスイートを提案する。
エネルギー効率の観点から5つの最先端低消費電力プラットフォームの評価を行ったところ,現代のプラットフォームはあらゆる種類のバイオメディカル応用を効果的にターゲットできないことがわかった。
- 参考スコア（独自算出の注目度）: 3.7960023372037357
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The design of low-power wearables for the biomedical domain has received a lot of attention in recent decades, as technological advances in chip manufacturing have allowed real-time monitoring of patients using low-complexity ML within the mW range. Despite advances in application and hardware design research, the domain lacks a systematic approach to hardware evaluation. In this work, we propose BiomedBench, a new benchmark suite composed of complete end-to-end TinyML biomedical applications for real-time monitoring of patients using wearable devices. Each application presents different requirements during typical signal acquisition and processing phases, including varying computational workloads and relations between active and idle times. Furthermore, our evaluation of five state-of-the-art low-power platforms in terms of energy efficiency shows that modern platforms cannot effectively target all types of biomedical applications. BiomedBench is released as an open-source suite to standardize hardware evaluation and guide hardware and application design in the TinyML wearable domain.
- Abstract（参考訳）: バイオメディカル領域における低消費電力ウェアラブルの設計は、チップ製造技術の進歩により、mW範囲内での低複雑さMLを用いた患者のリアルタイムモニタリングが可能となり、近年注目されている。
アプリケーションとハードウェアの設計研究の進歩にもかかわらず、このドメインはハードウェア評価に対する体系的なアプローチを欠いている。
本研究では,ウェアラブルデバイスを用いた患者のリアルタイムモニタリングのための,完全なエンドツーエンドTinyMLバイオメディカルアプリケーションからなるベンチマークスイートであるBiomedBenchを提案する。
各アプリケーションは、様々な計算処理やアクティブ時間とアイドル時間の関係を含む、典型的な信号取得と処理フェーズで異なる要件を提示する。
さらに、エネルギー効率の観点から、5つの最先端低消費電力プラットフォームを評価した結果、現代のプラットフォームは、あらゆる種類のバイオメディカル応用を効果的にターゲットできないことがわかった。
BiomedBenchは、ハードウェア評価を標準化し、TinyMLウェアラブルドメインでハードウェアとアプリケーション設計をガイドするオープンソーススイートとしてリリースされた。
関連論文リスト
- OmniBuds: A Sensory Earable Platform for Advanced Bio-Sensing and On-Device Machine Learning [46.3331254985615]
感覚ウェアラブルは、基本的なオーディオ拡張デバイスから、臨床レベルの健康モニタリングと健康管理のための高度なプラットフォームへと進化してきた。
本稿では,複数のバイオセンサと,機械学習アクセラレーションによって駆動される車載計算を統合した,先進的な知覚可能プラットフォームであるOmniBudsを紹介する。
論文 参考訳（メタデータ） (2024-10-07T06:30:59Z) - MobileAIBench: Benchmarking LLMs and LMMs for On-Device Use Cases [81.70591346986582]
モバイル端末上でのLarge Language Models(LLM)とLarge Multimodal Models(LMM)を評価するためのベンチマークフレームワークであるMobileAIBenchを紹介する。
MobileAIBenchは、さまざまなサイズ、量子化レベル、タスクにわたるモデルを評価し、実際のデバイス上でのレイテンシとリソース消費を測定する。
論文 参考訳（メタデータ） (2024-06-12T22:58:12Z) - Towards a clinically accessible radiology foundation model: open-access and lightweight, with automated evaluation [113.5002649181103]
オープンソースの小型マルチモーダルモデル(SMM)を訓練し、放射線学における未測定臨床ニーズに対する能力ギャップを埋める。
トレーニングのために,697万以上の画像テキストペアからなる大規模なデータセットを組み立てる。
評価のために,GPT-4に基づく実測値CheXpromptを提案する。
LlaVA-Radの推論は高速で、単一のV100 GPU上でプライベート設定で実行できる。
論文 参考訳（メタデータ） (2024-03-12T18:12:02Z) - A comparative study on wearables and single-camera video for upper-limb
out-of-thelab activity recognition with different deep learning architectures [0.0]
IMU(High-end Inertial Measurement Unit)は、臨床および研究環境での身体活動の評価において、ますます人気が高まっている。
アウト・オブ・ザ・ラブ環境における患者追跡の実現可能性を高めるためには,移動獲得のためのデバイス数を減らす必要がある。
臨床関連データを認識・消化できる機械学習システムの開発が必要である。
論文 参考訳（メタデータ） (2024-02-04T19:45:59Z) - IoMT-Blockchain based Secured Remote Patient Monitoring Framework for
Neuro-Stimulation Device [0.0]
患者からのリアルタイムの知覚データは、ウェアラブルIoMTデバイスの迅速な開発を通じて配信され、分析される。
モノのインターネットからのデータは収集され、分析され、単一の場所に格納される。
分散した性質のため、ブロックチェーン(BC)はこれらの問題を緩和することができる。
論文 参考訳（メタデータ） (2023-08-31T16:59:58Z) - U-TOE: Universal TinyML On-board Evaluation Toolkit for Low-Power IoT [3.981958767941474]
U-TOEはIoTデザイナと研究者の作業を容易にするために設計されたユニバーサルツールキットである。
我々は,U-TOEのオープンソース実装を提供し,様々なモデルの性能を実験的に評価するためにその利用を実証する。
論文 参考訳（メタデータ） (2023-06-26T10:35:31Z) - PulseImpute: A Novel Benchmark Task for Pulsative Physiological Signal
Imputation [54.839600943189915]
モバイルヘルス(英語: Mobile Health、mHealth)は、ウェアラブルセンサーを使用して、日常生活中の参加者の生理状態を高頻度で監視し、時間的に精度の高い健康介入を可能にする能力である。
豊富な計算文学にもかかわらず、既存の技術は多くのmHealthアプリケーションを構成する脈動信号には効果がない。
このギャップに対処するPulseImputeは、現実的なmHealth欠損モデル、幅広いベースラインセット、臨床関連下流タスクを含む、最初の大規模パルス信号計算チャレンジである。
論文 参考訳（メタデータ） (2022-12-14T21:39:15Z) - Low-Power Hardware-Based Deep-Learning Diagnostics Support Case Study [6.011991689754301]
本稿では,PoCケーススタディのための顕微鏡診断支援システムの組み込みハードウェアによる実装を提案する。
我々はSqueeze-Netベースのモデルを用いてネットワークのサイズと時間を短縮する。
また,学習モデルのメモリフットプリントをさらに削減するために,トレーニング量子化技術を利用する。
論文 参考訳（メタデータ） (2022-09-03T22:41:52Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z) - Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。
ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。
提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
論文 参考訳（メタデータ） (2020-08-05T15:45:54Z)
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。