机器学习算法用于FPGA 在生物医学工程应用中的实施:一篇评论
Morteza Babaee Altman1, Wenbin Wan2, Amineh Sadat Hosseini3
1Department of Energy Engineering, Amirkabir University of Technology (Tehran Polytechnic), Tehran 1591634311, Iran.
Heliyon
|March 4, 2024
概括
现场可编程网关数组 (FPGA) 加快了医疗保健中的机器学习 (ML). 本综述涵盖了用于生物医学应用的FPGA和混合系统芯片 (SoC) FPGA架构上的ML算法.
科学领域:
- 生物医学工程 生物医学工程
- 计算机工程 计算机工程
- 机器学习 机器学习
背景情况:
- 现场可编程门阵列 (FPGA) 提供可重新配置的硬件解决方案.
- 机器学习 (ML) 算法在医疗保健技术中越来越重要.
- 传统的处理器缺乏FPGAs的定制能力,用于专门的任务.
研究的目的:
- 从2001-2023年对FPGAs实施的ML算法进行审查,用于医疗保健应用.
- 专注于实时ML算法和混合系统芯片 (SoC) FPGA架构的生物医学用途.
- 综合对ML分类器和回归算法的研究,这些算法是针对FPGA部署进行优化的.
主要方法:
- 在生物医学应用中对FPGAs的ML算法进行全面的文献综述.
- 对ML算法和FPGA设计的优化策略的分析.
- 专注于实时处理和混合 SoC FPGA 架构.
- 综合实施分类器和回归算法的研究.
主要成果:
- FPGAs使医疗保健中的高性能ML成为可能,克服了资源限制.
- 优化的ML算法和FPGA设计解决了诸如内存和功率限制等挑战.
- 混合 SoC FPGA 架构对复杂的生物医学任务显示出前景.
- 分类器和回归算法被广泛用于各种生物医学应用.
结论:
- 基于FPGA的ML加速器显著提高生物医学应用.
- 在医疗保健中,定制和优化是有效地在FPGA上部署ML的关键.
- 本综述为研究人员提供了关于为未来的生物医学创新推进FPGA支持的ML的信息.
