論文の概要: SPIRIT: Low Power Seizure Prediction using Unsupervised Online-Learning and Zoom Analog Frontends
- arxiv url: http://arxiv.org/abs/2409.04838v1
- Date: Sat, 7 Sep 2024 14:30:14 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-10 20:31:31.247112
- Title: SPIRIT: Low Power Seizure Prediction using Unsupervised Online-Learning and Zoom Analog Frontends
- Title(参考訳): SPIRIT: 教師なしオンライン学習とズームアナログフロントエンドを用いた低消費電力シーズーア予測
- Authors: Aviral Pandey, Adelson Chua, Ryan Kaveh, Justin Doong, Rikky Muller,
- Abstract要約: この研究はSPIRIT:Integrated RetrainingとIn situ accuracy Tuningを備えた8段階の予測器を提示する。
SPIRITは完全なシステムオンチップ(SoC)であり、教師なしのオンライン学習予測分類器を14.4 uW、0.057 mm2、90.5 dBのダイナミックレンジ、Zoom Analog Frontendsと統合している。
オンライン学習アルゴリズムにより、予測精度は最大15%向上し、予測時間は最大7倍向上する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Early prediction of seizures and timely interventions are vital for improving patients' quality of life. While seizure prediction has been shown in software-based implementations, to enable timely warnings of upcoming seizures, prediction must be done on an edge device to reduce latency. Ideally, such devices must also be low-power and track long-term drifts to minimize maintenance from the user. This work presents SPIRIT: Stochastic-gradient-descent-based Predictor with Integrated Retraining and In situ accuracy Tuning. SPIRIT is a complete system-on-a-chip (SoC) integrating an unsupervised online-learning seizure prediction classifier with eight 14.4 uW, 0.057 mm2, 90.5 dB dynamic range, Zoom Analog Frontends. SPIRIT achieves, on average, 97.5%/96.2% sensitivity/specificity respectively, predicting seizures an average of 8.4 minutes before they occur. Through its online learning algorithm, prediction accuracy improves by up to 15%, and prediction times extend by up to 7x, without any external intervention. Its classifier consumes 17.2 uW and occupies 0.14 mm2, the lowest reported for a prediction classifier by >134x in power and >5x in area. SPIRIT is also at least 5.6x more energy efficient than the state-of-the-art.
- Abstract(参考訳): 発作の早期予測とタイムリーな介入は患者の生活の質向上に不可欠である。
ソフトウェアベースの実装では、来るべき発作のタイムリーな警告を可能にするために、発作予測が示されているが、レイテンシを低減するためにエッジデバイスで予測を行う必要がある。
理想的には、そのようなデバイスは低消費電力で、ユーザからのメンテナンスを最小限に抑えるために長期的なドリフトを追跡する必要がある。
本研究はSPIRIT: 統合的リトレーニングとIn situ精度チューニングを備えた確率的漸進型予測器を提示する。
SPIRITは完全なシステムオンチップ(SoC)であり、8つの14.4 uW、0.057 mm2、90.5 dBのダイナミックレンジ、Zoom Analog Frontendsと教師なしのオンライン学習予測分類器を統合している。
SPIRITは、それぞれ97.5%/96.2%の感度/特異性を達成し、発作が起こるまでの平均8.4分を予測している。
オンライン学習アルゴリズムにより、予測精度は最大15%向上し、予測時間は最大7倍向上する。
分類器は17.2 uWを消費し、0.14 mm2であり、予測分類器の出力は134x、面積は5xである。
SPIRITはまた、最先端技術よりも少なくとも5.6倍エネルギー効率が高い。
関連論文リスト
- Artificial Intelligence (AI) Based Prediction of Mortality, for COVID-19 Patients [0.0]
重篤な新型コロナウイルス患者に対しては、高リスク患者を特定し、生存とICU(ICU)の必要性を予測することが重要である。
本研究では,9つの機械学習アルゴリズムと2つの広く使われている特徴選択法を組み合わせたディープラーニングアルゴリズムの性能について検討した。
LSTMは最終状態とICU要件を90%, 92%, 86%, 95%の精度, 感度, 特異度, AUCで予測した。
論文 参考訳(メタデータ) (2024-03-28T12:11:29Z) - Uncertainty Quantification over Graph with Conformalized Graph Neural
Networks [52.20904874696597]
グラフニューラルネットワーク(GNN)は、グラフ構造化データに基づく強力な機械学習予測モデルである。
GNNには厳密な不確実性見積が欠如しており、エラーのコストが重要な設定での信頼性の高いデプロイメントが制限されている。
本稿では,共形予測(CP)をグラフベースモデルに拡張した共形GNN(CF-GNN)を提案する。
論文 参考訳(メタデータ) (2023-05-23T21:38:23Z) - Binary Single-dimensional Convolutional Neural Network for Seizure
Prediction [4.42106872060105]
てんかん発作予測のための2次元畳み込みニューラルネットワーク(BSDCNN)を提案する。
BSDCNNは1D畳み込みカーネルを使用して予測性能を向上させる。
曲線、感度、誤予測率は0.915、89.26%、0.117/h、0.970、94.69%、0.095/hに達する。
論文 参考訳(メタデータ) (2022-06-08T09:27:37Z) - Real-time Object Detection for Streaming Perception [84.2559631820007]
ストリーミング知覚は,ビデオオンライン知覚の1つの指標として,レイテンシと精度を共同評価するために提案される。
ストリーミング知覚のためのシンプルで効果的なフレームワークを構築します。
提案手法はArgoverse-HDデータセット上での競合性能を実現し,強力なベースラインに比べてAPを4.9%向上させる。
論文 参考訳(メタデータ) (2022-03-23T11:33:27Z) - Efficient and Differentiable Conformal Prediction with General Function
Classes [96.74055810115456]
本稿では,複数の学習可能なパラメータに対する共形予測の一般化を提案する。
本研究は, クラス内において, ほぼ有効な人口被覆率, ほぼ最適効率を実現していることを示す。
実験の結果,提案アルゴリズムは有効な予測セットを学習し,効率を著しく向上できることがわかった。
論文 参考訳(メタデータ) (2022-02-22T18:37:23Z) - C$^2$SP-Net: Joint Compression and Classification Network for Epilepsy
Seizure Prediction [10.21441881111824]
我々は,1つのニューラルネットワークによる圧縮,予測,再構成を共同で解くために,C$2$SP-Netを提案する。
プラグ・アンド・プレイ・イン・センサ圧縮行列を構築し、伝送帯域幅の要求を低減させる。
提案手法は, 1/2から1/16までの圧縮比で予測精度0.35 %の平均損失を生成する。
論文 参考訳(メタデータ) (2021-10-26T13:09:16Z) - 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) - An End-to-End Deep Learning Approach for Epileptic Seizure Prediction [4.094649684498489]
畳み込みニューラルネットワーク(CNN)を用いたエンドツーエンドディープラーニングソリューションを提案する。
総合感度、誤予測率、受信機動作特性曲線下の面積は、それぞれ2つのデータセットで93.5%、0.063/h、0.981、98.8%、0.074/h、0.988に達する。
論文 参考訳(メタデータ) (2021-08-17T05:49:43Z) - Non-Parametric Adaptive Network Pruning [125.4414216272874]
アルゴリズム設計を簡略化するノンパラメトリックモデリングを導入。
顔認識コミュニティに触発されて,メッセージパッシングアルゴリズムを用いて,適応的な例示数を求める。
EPrunerは「重要」フィルタを決定する際にトレーニングデータへの依存を壊します。
論文 参考訳(メタデータ) (2021-01-20T06:18:38Z) - Neural Network Virtual Sensors for Fuel Injection Quantities with
Provable Performance Specifications [71.1911136637719]
証明可能な保証が、他の現実世界の設定にどのように自然に適用できるかを示す。
本研究では, 燃料噴射量を一定範囲で最大化するために, 特定の間隔の燃料噴射量を目標にする方法を示す。
論文 参考訳(メタデータ) (2020-06-30T23:33:17Z)
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。