論文の概要: Toward Energy-Efficient and Low-Power Arrhythmia Detection for Wearable Devices

• arxiv url: http://arxiv.org/abs/2607.14747v1
• Date: Thu, 16 Jul 2026 09:31:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:33.053243
• Title: Toward Energy-Efficient and Low-Power Arrhythmia Detection for Wearable Devices
• Title（参考訳）: ウェアラブルデバイスにおける省エネルギー・低消費電力不整脈検出に向けて
• Abstract要約: 深層学習(DL)アルゴリズムは不整脈の検出と分類において優れた性能を示した。 現在のウェアラブルモニタリングデバイスはかさばるし、不快で、典型的には心電図(ECG)を手動で評価するために臨床医に依存している 本稿では,DLアーキテクチャの消費電力削減のための近似手法について検討する。
• 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: Cardiovascular diseases are the leading cause of death worldwide, and conditions such as arrhythmia often require long-term monitoring for effective detection and diagnosis. However, current wearable monitoring devices are bulky, uncomfortable, and typically rely on clinicians to manually evaluate electrocardiograms (ECGs). While Deep Learning (DL) algorithms have shown superior performance in arrhythmia detection and classification, their computational complexity coupled with high power consumption limit deployment in wearable devices. To address this challenge, this paper investigates the use of approximation techniques to reduce the power and energy consumption of DL architectures while maintaining acceptable classification performance. Specifically, techniques such as data precision reduction and approximate multiplication are investigated in a state-of-the-art DL model and its corresponding hardware architecture. The model is trained and validated using the MIT-BIH Arrhythmia Database, and hardware implementations employing various approximate multipliers are synthesized and evaluated. Compared with the state-of-the-art 8.75 μW (and 2.08 μJ) reference architecture, our proposed architecture consumes 3.07 μW (and 2.17 μJ) at 12 kHz, showing 64.9% reduction in power consumption while providing an acceptable output quality, i.e., 93.7% classification accuracy and 92.1% sensitivity. At 100 MHz, our proposed architecture consumes 9.45 mW (and 0.8 μJ), showing 61.5% reduction in energy consumption as compared to the state-of-the-art architecture. These results demonstrate that our proposed approximations significantly extend wearable device battery life while preserving the required arrhythmia classification performance.
• Abstract（参考訳）: 心臓血管疾患は世界中で死因の主要な疾患であり、不整脈などの症状は、効果的な診断と診断のために長期的なモニタリングを必要とすることが多い。 しかし、現在のウェアラブルモニタリングデバイスはかさばるし、不快で、通常、心電図(ECG)を手動で評価するために臨床医に依存している。 深層学習(DL)アルゴリズムは不整脈の検出と分類において優れた性能を示したが、それらの計算複雑性はウェアラブルデバイスにおける高消費電力限界展開と結合している。 そこで本研究では,DLアーキテクチャの電力消費とエネルギー消費を削減し,許容可能な分類性能を維持しながら近似手法の適用について検討する。 具体的には、最先端のDLモデルとその対応するハードウェアアーキテクチャにおいて、データ精度の低減や近似乗算といった手法について検討する。 このモデルは、MIT-BIH Arrhythmia Databaseを用いてトレーニングされ、検証され、様々な近似乗算器を用いたハードウェア実装が合成され、評価される。 現状の8.75μW(および2.08μJ)の参照アーキテクチャと比較すると,提案アーキテクチャは3.07μW(および2.17μJ)を12kHzで消費し,64.9%の消費電力削減と許容出力品質,すなわち93.7%の分類精度,92.1%の感度を実現している。 100MHzでは、提案アーキテクチャは9.45mW(および0.8μJ)を消費し、最先端アーキテクチャと比較して61.5%のエネルギー消費を減少させる。 以上の結果から,本手法は不整脈分類性能を保ちながら,ウェアラブルデバイスの電池寿命を著しく延長することが示された。

関連論文リスト

• Prototyping an End-to-End Multi-Modal Tiny-CNN for Cardiovascular Sensor Patches [35.899401205042615]
  本稿では、バイナリ分類問題を解決するために、データの早期融合を伴う畳み込みニューラルネットワークを提案する。 提案手法は,最先端技術と比較してメモリフットプリントと計算コストを3桁削減する。
  論文  参考訳（メタデータ） (2025-10-21T14:23:20Z)
• Synthetic Time Series Data Generation for Healthcare Applications: A PCG Case Study [43.28613210217385]
  我々は、PCGデータを生成するために、最先端の3つの生成モデルを採用し、比較する。 その結果,生成したPCGデータは元のデータセットによく似ていることがわかった。 今後の研究では、この手法をデータ拡張パイプラインに組み込んで、異常なPCG信号を心臓の大腿骨で合成する予定である。
  論文  参考訳（メタデータ） (2024-12-17T18:07:40Z)
• Energy-Efficient Seizure Detection Suitable for low-power Applications [0.5326090003728084]
  てんかんは世界中で最も一般的で慢性的な神経疾患である。 神経インプラントは、検出時に来るべき発作を抑制することにより、効果的な治療に使用できる。 本稿では,TC-ResNetと時系列解析によるエネルギー効率の高い発作検出手法を提案する。
  論文  参考訳（メタデータ） (2024-06-19T11:36:29Z)
• 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)
• SQUWA: Signal Quality Aware DNN Architecture for Enhanced Accuracy in Atrial Fibrillation Detection from Noisy PPG Signals [37.788535094404644]
  心房細動(AF)は脳卒中、心臓病、死亡のリスクを著しく増大させる。 光胸腺造影(PPG)信号は、運動人工物や、しばしば起立条件で遭遇する他の要因による腐敗に影響を受けやすい。 本研究では,一部劣化したPSGから正確な予測の維持方法を学習するための新しい深層学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-04-15T01:07:08Z)
• Enhanced Detection of Transdermal Alcohol Levels Using Hyperdimensional Computing on Embedded Devices [34.718604475406515]
  私たちは、スマートフォン、スマートウェアラブル、IoTデプロイメントに実用的なジャスト・イン・タイムの介入アプローチを設計しています。 我々は、様々なHDC符号化設計を探求し、それらを様々なHDC学習モデルと組み合わせて、モバイルデバイスに最適な、実現可能なアプローチを作成する。 精度は89%で,現状よりも12%向上した。
  論文  参考訳（メタデータ） (2024-03-18T23:32:08Z)
• A Tiny Transformer for Low-Power Arrhythmia Classification on Microcontrollers [10.203375838335935]
  心電図(ECG)信号のリアルタイム解析と不整脈などの心臓状態の検出に対する有望なアプローチは、トランスフォーマー機械学習モデルによって表現される。 我々は、MIT-BIH Arrhythmiaデータベースから最も一般的な5つの不整脈クラスを認識する際に、わずか6kパラメータしか必要とせず、98.97%の精度でECG信号を解析するための小さなトランスフォーマーモデルを提案する。
  論文  参考訳（メタデータ） (2024-02-16T15:14:16Z)
• EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient Arrhythmia Classification [79.7946379395238]
  心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。 本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
  論文  参考訳（メタデータ） (2023-10-24T02:37:49Z)
• Energy-Efficient Tree-Based EEG Artifact Detection [17.085570466000906]
  てんかんモニタリングでは、脳波アーチファクトは振幅と周波数の両方で形態学的に類似しているため、発作と誤認されることが多い。 本研究では, 並列超低消費電力(PULP)組み込みプラットフォーム上で, 最小数のEEGチャネルに基づくアーティファクト検出アルゴリズムの実装について述べる。
  論文  参考訳（メタデータ） (2022-04-19T12:57:26Z)
• Energy-Efficient Real-Time Heart Monitoring on Edge-Fog-Cloud Internet-of-Medical-Things [4.927511651631258]
  低消費電力ウェアラブル機器の心臓を継続的にモニタリングするための,新しい,エネルギー効率の高い手法を提案する。 提案手法は,1)ECG信号の品質を評価するノイズ/アーチファクト検出層,2)ECG信号の異常を検出する正常/異常ビート分類層,3)ECG信号から疾患を検出する異常ビート分類層,の3つの異なる層から構成される。 我々の手法は、よく知られたMIT-BIH Arrhythmiaデータセットで99.2%の精度に達する。
  論文  参考訳（メタデータ） (2021-12-15T05:42:20Z)
• 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)
• ECG-TCN: Wearable Cardiac Arrhythmia Detection with a Temporal Convolutional Network [14.503893070243585]
  シングルリード心電図信号は、心不整脈を検出、分類、予測する能力を提供する。 ウェアラブルプラットフォームでの利用が可能でありながら、高い精度を実現する新しい時間的畳み込みネットワーク(TCN)を提案します。
  論文  参考訳（メタデータ） (2021-03-25T10:39:54Z)

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。