論文の概要: Invited Paper: Feature-to-Classifier Co-Design for Mixed-Signal Smart Flexible Wearables for Healthcare at the Extreme Edge

• arxiv url: http://arxiv.org/abs/2508.19637v2
• Date: Fri, 29 Aug 2025 13:09:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-01 11:39:19.10991
• Title: Invited Paper: Feature-to-Classifier Co-Design for Mixed-Signal Smart Flexible Wearables for Healthcare at the Extreme Edge
• Title（参考訳）: Invited Paper:Extreme Edgeにおける医療用複合信号スマートフレキシブルウェアラブルのための特徴と分類器の共設計
• Authors: Maha Shatta, Konstantinos Balaskas, Paula Carolina Lozano Duarte, Georgios Panagopoulos, Mehdi B. Tahoori, Georgios Zervakis,
• Abstract要約: フレキシブルなウェアラブルシステムのための総合的な混合信号特徴-分類器協調設計フレームワークを提案する。 我々の知る限り、我々はFEにおける最初のアナログ特徴抽出器を設計し、特徴抽出コストを大幅に削減した。 本稿では,MLトレーニングにおけるNASにインスパイアされた特徴選択戦略を提案する。
• 参考スコア（独自算出の注目度）: 2.2604925169016923
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Flexible Electronics (FE) offer a promising alternative to rigid silicon-based hardware for wearable healthcare devices, enabling lightweight, conformable, and low-cost systems. However, their limited integration density and large feature sizes impose strict area and power constraints, making ML-based healthcare systems-integrating analog frontend, feature extraction and classifier-particularly challenging. Existing FE solutions often neglect potential system-wide solutions and focus on the classifier, overlooking the substantial hardware cost of feature extraction and Analog-to-Digital Converters (ADCs)-both major contributors to area and power consumption. In this work, we present a holistic mixed-signal feature-to-classifier co-design framework for flexible smart wearable systems. To the best of our knowledge, we design the first analog feature extractors in FE, significantly reducing feature extraction cost. We further propose an hardware-aware NAS-inspired feature selection strategy within ML training, enabling efficient, application-specific designs. Our evaluation on healthcare benchmarks shows our approach delivers highly accurate, ultra-area-efficient flexible systems-ideal for disposable, low-power wearable monitoring.
• Abstract（参考訳）: Flexible Electronics(FE)は、ウェアラブルヘルスケアデバイスのための堅固なシリコンベースのハードウェアの代替として、軽量で、適合性があり、低コストなシステムを提供する。 しかし、その限定された統合密度と大きな特徴サイズは、厳密な領域と電力制限を課し、MLベースの医療システムにアナログフロントエンド、特徴抽出、特に分類器を統合することは困難である。 既存のFEソリューションは、機能抽出とADC(Analog-to-Digital Converters)のハードウェアコストを見越して、システム全体の潜在的なソリューションを無視し、分類器に集中することが多い。 本研究では,フレキシブルなウェアラブルシステムのための総合的混合信号特徴-分類器協調設計フレームワークを提案する。 我々の知る限り、我々はFEにおける最初のアナログ特徴抽出器を設計し、特徴抽出コストを大幅に削減した。 さらに,MLトレーニングにおけるNASにインスパイアされた特徴選択戦略を提案する。 医療ベンチマークで評価したところ、我々のアプローチは、使い捨てで低消費電力のウェアラブルモニタリングに非常に正確で、超高効率なシステムイデアルを提供する。

関連論文リスト

• Exploration of Low-Power Flexible Stress Monitoring Classifiers for Conformal Wearables [3.195176634942016]
  最先端のアプローチでは、軽量でフレキシブルな摩耗に最適化されていない、堅いシリコンベースのウェアラブルを使用している。 FEは、フレキシブルで製造コストの低い、リアルタイムなストレス監視回路を提供する。 この研究は、低消費電力でフレキシブルな応力分類器の包括的設計空間探索を初めて行った。
  論文  参考訳（メタデータ） (2025-08-27T08:19:52Z)
• A Novel Deep Hybrid Framework with Ensemble-Based Feature Optimization for Robust Real-Time Human Activity Recognition [0.6991281327290525]
  HAR(Human Activity Recognition)は、スマート監視、ヘルスケア、アシスト技術、スポーツ分析など、さまざまなアプリケーションにおいて重要な役割を担っている。 カスタマイズされたInceptionV3、LSTMアーキテクチャ、新しいアンサンブルベースの特徴選択戦略を統合した、最適化されたハイブリッドディープラーニングフレームワークが導入された。 提案手法は、99.65%の認識精度を実現し、特徴を7まで減らし、推論時間を短縮する。
  論文  参考訳（メタデータ） (2025-08-26T05:42:55Z)
• Computer Vision for Real-Time Monkeypox Diagnosis on Embedded Systems [0.0]
  本研究では,NVIDIA Jetson Orin Nano上に展開するAI駆動型診断ツールを提案する。 このモデルはオープンソースのMonkeypox Skin Lesionデータセットでトレーニングされ、93.07%のF1スコアを達成した。 この診断ツールは、未保存地域の診断問題に対処するために、効率的でスケーラブルでエネルギーを意識したソリューションである。
  論文  参考訳（メタデータ） (2025-07-23T01:53:31Z)
• FE-UNet: Frequency Domain Enhanced U-Net for Low-Frequency Information-Rich Image Segmentation [48.034848981295525]
  CNNと人間の視覚系における周波数帯域感度の差について検討する。 本稿では、生体視覚機構にインスパイアされたウェーブレット適応スペクトル融合(WASF)法を提案する。 我々は SAM2 のバックボーンネットワークを利用する FE-UNet モデルを開発し, セグメンテーション精度を確保するために細調整した Hiera-Large モジュールを組み込んだ。
  論文  参考訳（メタデータ） (2025-02-06T07:24:34Z)
• 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)
• SLIDE: A machine-learning based method for forced dynamic response estimation of multibody systems [42.87502453001109]
  SLiding-Window初期停止型動的応答推定器(SLIDE) メカニカル・マルチボディシステムの出力シーケンスを推定する深層学習法 その結果、シミュレーションから数百万までの大幅な高速化が示され、リアルタイム性能を大きく上回った。
  論文  参考訳（メタデータ） (2024-09-26T20:34:07Z)
• EventF2S: Asynchronous and Sparse Spiking AER Framework using Neuromorphic-Friendly Algorithm [2.469315273321826]
  スパイキングニューラルネットワーク(SNN)は、AERデータ処理に固有の選択肢となっている。 我々は,脳にインスパイアされたAER-SNNオブジェクト認識ソリューションを導入し,ファースト・トゥ・スパイク認識ネットワークに統合されたデータエンコーダを含む。
  論文  参考訳（メタデータ） (2024-01-28T19:42:05Z)
• LAMBO: Large AI Model Empowered Edge Intelligence [71.56135386994119]
  次世代エッジインテリジェンスは、オフロード技術を通じて様々なアプリケーションに恩恵をもたらすことが期待されている。 従来のオフロードアーキテクチャは、不均一な制約、部分的な認識、不確実な一般化、トラクタビリティの欠如など、いくつかの問題に直面している。 我々は、これらの問題を解決するための10億以上のパラメータを持つLarge AI Model-Based Offloading (LAMBO)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-29T07:25:42Z)
• Modeling and Joint Optimization of Security, Latency, and Computational Cost in Blockchain-based Healthcare Systems [2.54403164787763]
  我々は,レイテンシ,セキュリティ,計算コストの3つの指標を用いた共同最適化モデルを定式化する。 本稿では,Adaptive Discrete Particle Swarm Algorithm (ADPSA) と呼ばれるアルゴリズムを提案する。 我々は、ADPSAが既存のベンチマーク手法を一貫して上回っていることを広範な数値実験により実証した。
  論文  参考訳（メタデータ） (2023-03-28T09:29:29Z)
• Multi-Point Integrated Sensing and Communication: Fusion Model and Functionality Selection [99.67715229413986]
  本稿では,複数のISACデバイスからの出力を融合させて高感度化を実現する多点ISAC(MPISAC)システムを提案する。 我々は,仮説テストと最適投票分析により,融合精度を予測する融合モデルを採用する。
  論文  参考訳（メタデータ） (2022-08-16T08:09:54Z)
• High-Fidelity Machine Learning Approximations of Large-Scale Optimal Power Flow [49.2540510330407]
  AC-OPFは、多くの電力システムアプリケーションにおいて重要なビルディングブロックである。 本稿では, 再生可能エネルギーの普及にともなって, AC-OPFの効率的な近似を実現するための深層学習について検討する。
  論文  参考訳（メタデータ） (2020-06-29T20:22:16Z)

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。