論文の概要: An Energy-Efficient Spiking Neural Network Architecture for Predictive Insulin Delivery

• arxiv url: http://arxiv.org/abs/2603.27589v1
• Date: Sun, 29 Mar 2026 09:06:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.034149
• Title: An Energy-Efficient Spiking Neural Network Architecture for Predictive Insulin Delivery
• Title（参考訳）: 予測型インスリンデリバリーのためのエネルギー効率の良いスパイクニューラルネットワークアーキテクチャ
• Authors: Sahil Shrivastava,
• Abstract要約: 本稿では, 予測インスリン量計算のためのイベント駆動型計算パイプラインの, シリコン内ソフトウェア完全研究プロトタイプを提案する。 超低消費電力ウェアラブルエッジデバイスに対するニューロモルフィックコンピューティングの原則により、コアコントリビューションは3層式Leaky-and-Fire(LIF)スパイキングニューラルネットワークであり、オハイオT1DMから128,025ウィンドウで訓練され、FDAが承認したUVa/Padova生理学的シミュレータ(33.5%)は85.90%の精度で検証されている。
• 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: Diabetes mellitus affects over 537 million adults worldwide. Insulin-dependent patients require continuous glucose monitoring and precise dose calculation while operating under strict power budgets on wearable devices. This paper presents PDDS - an in-silico, software-complete research prototype of an event-driven computational pipeline for predictive insulin dose calculation. Motivated by neuromorphic computing principles for ultra-low-power wearable edge devices, the core contribution is a three-layer Leaky Integrate-and-Fire (LIF) Spiking Neural Network trained on 128,025 windows from OhioT1DM (66.5% real patients) and the FDA-accepted UVa/Padova physiological simulator (33.5%), achieving 85.90% validation accuracy. We present three rigorously honest evaluations: (1) a standard test-set comparison against ADA threshold rules, bidirectional LSTM (99.06% accuracy), and MLP (99.00%), where the SNN achieves 85.24% - we demonstrate this gap reflects the stochastic encoding trade-off, not architectural failure; (2) a temporal benchmark on 426 non-obvious clinician-annotated hypoglycemia windows where neither the SNN (9.2% recall) nor the ADA rule (16.7% recall) performs adequately, identifying the system's key limitation and the primary direction for future work; (3) a power-efficiency analysis showing the SNN requires 79,267x less energy per inference than the LSTM (1,551 Femtojoules vs. 122.9 nanojoules), justifying the SNN architecture for continuous wearable deployment. The system is not yet connected to physical hardware; it constitutes the computational middle layer of a five phase roadmap toward clinical validation. Keywords: spiking neural network, glucose severity classification, edge computing, hypoglycemia detection, event-driven architecture, LIF neuron, Poisson encoding, OhioT1DM, in-silico, neuromorphic, power efficiency.
• Abstract（参考訳）: 糖尿病は世界中で5億3700万人以上の成人に影響を与える。 インスリン依存型患者は、ウェアラブル機器の厳格な電力予算の下で活動している間、連続的なグルコースモニタリングと正確な線量計算を必要とする。 本稿では,予測インスリン量計算のためのイベント駆動型計算パイプラインのソフトウェア完全試験プロトタイプであるPDDSについて述べる。 超低消費電力ウェアラブルエッジデバイスに対するニューロモルフィックコンピューティングの原則により、コアコントリビューションは3層のLeaky Integrate-and-Fire (LIF) Spiking Neural Networkで、OttoT1DM (66.5%の実際の患者)とFDAが承認したUVa/Padova physiological simulator (33.5%)の128,025ウィンドウでトレーニングされ、85.90%の精度で検証されている。 我々は,(1)ADAしきい値規則に対する標準テストセット比較,(99.06%)双方向LSTM(99.00%)および(99.00%)SNNが85.24%の精度で達成したMLP(99.00%) – このギャップは,アーキテクチャ上の欠陥ではなく,確率的符号化トレードオフを反映していること,(2)SNN (9.2%リコール) やADAルール(16.7%リコール) が適切に動作しない426の非閉塞性クリニック注釈低血糖ウィンドウに対する時間的ベンチマーク,(3)SNNがLSTMよりも79,267x少ないエネルギーを要求していること,2) SNNがLSTM(1,1,55fsulesules 122sulesulesule)よりも小さいこと,の3つの厳密な評価を示す。 このシステムは物理ハードウェアにはまだ接続されておらず、臨床検証に向けた5段階のロードマップの計算中間層を構成する。 キーワード:スパイキングニューラルネットワーク、グルコースの重症度分類、エッジコンピューティング、低血糖検出、イベント駆動アーキテクチャ、LIFニューロン、Poissonエンコーディング、OttoT1DM、インサイリコ、ニューロモルフィック、電力効率。

関連論文リスト

• Detecting Neurovascular Instability from Multimodal Physiological Signals Using Wearable-Compatible Edge AI: A Responsible Computational Framework [0.0]
  ウェアラブル互換の生理信号から神経血管不安定性(NVI)を検出するためのマルチモーダルMLフレームワークであるMeraguardを提案する。 毎年1220万回のインシデントストロークで、連続したマルチモーダルな生理的モニタリングは、コミュニティスケールのスクリーニングへの実践的なパスを提供する。
  論文  参考訳（メタデータ） (2026-03-20T19:17:46Z)
• Physics-Informed Neural Networks vs. Physics Models for Non-Invasive Glucose Monitoring: A Comparative Study Under Realistic Synthetic Conditions [0.0]
  非侵襲的なグルコースモニターは、既存のデータセットがハードウェアノイズ、環境の漂流、人と人の生理を無視するため、ラボ外で失敗することが多い。 12ビットのADC量子化を注入する初の超現実的近赤外(NIR)シミュレータを導入する。
  論文  参考訳（メタデータ） (2025-09-12T12:18:00Z)
• Peptidomic-Based Prediction Model for Coronary Heart Disease Using a Multilayer Perceptron Neural Network [0.0]
  冠動脈心疾患(CHD)は、世界中で死因の主要な疾患であり、毎年の医療費に大きく貢献する。 非侵襲的な診断手法を開発するために,マルチ層パーセプトロン(MLP)ニューラルネットワークに基づくモデルを構築した。 このモデルは95.67パーセントの精度、感度、特異性を達成し、F1スコアは0.9565である。
  論文  参考訳（メタデータ） (2025-09-04T04:54:02Z)
• Mamba-based Deep Learning Approach for Sleep Staging on a Wireless Multimodal Wearable System without Electroencephalography [3.7428541180163126]
  本稿では,アンネワンからの信号に基づいて,マンバをベースとした睡眠ステージングのための深層学習手法について検討する。 健常成人357名を対象に, 同時ポリソムノグラフィーを施行した。 これらの記録に基づいて,Mambaベースのリカレントニューラルネットワークアーキテクチャをトレーニングした。
  論文  参考訳（メタデータ） (2024-12-20T14:43:02Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• An end-to-end deep learning pipeline to derive blood input with partial volume corrections for automated parametric brain PET mapping [1.3243230917306228]
  dFDG-PETの定量分析における重要な課題は、患者固有の血液入力機能を特徴づけることである。 本研究では内頸動脈からの非侵襲的ディープラーニングモデルに基づく計算手法を提案する。 ICAセグメンテーションのための3次元U-NetベースのICA-netと、モデル修正血液入力関数の導出のためのリカレントニューラルネットワーク(RNN)ベースのMCIF-netを組み合わせたエンドツーエンドパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-02-05T17:02:30Z)
• 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)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)

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。