硬件高效的1D CNN用于患者特定的早期发作检测

科学领域:

• 神经科学和生物医学工程
• 人工智能在医学中的应用
• 医疗器械技术 医疗器械技术

背景情况:

• 耐火性的治疗正在通过闭环大脑植入的神经调节装置取得进展.
• 这些设备的扣押检测算法面临关键功率和区域限制.
• 当前的深度学习模型虽然有效,但对于实用的植入式设备来说,它们通常是过于计算密集的.

研究的目的:

• 提出一个紧且硬件效率高的一维卷积神经网络 (1D CNN).
• 为了在资源有限的神经调节系统中实现针对患者的早期发作检测.
• 为了实现与最先进的方法相匹配的高精度,并显著降低功耗.

主要方法:

• 为神经调节器件量身定制的新型,紧的1D CNN架构的开发.
• 实施先进的特征提取技术,以提高检测性能.
• 使用一种独特的初始化方法,采用前链式培训和测试方案.

主要成果:

• 拟议的紧型1D CNN模型显示了与支持矢量机器 (SVM) 相似的准确性.
• 与现有的最先进的方法相比,该模型实现了超过20倍的功耗降低.
• 成功验证了患者特定的早期发作检测能力.

结论:

• 开发的1D CNN为植入式神经调节器件中发作检测提供了实用和高效的解决方案.
• 这种方法在很大程度上解决了当前深度学习应用在这个领域的功率和计算限制.
• 紧型号代表了通过个性化,低功耗的大脑与计算机接口来改善管理的有希望的进步.