一个高效的ANN SoC用于检测阿尔茨海默病,基于循环计算.
Zhikang Chen1, Yuejun Zhang1, Ziyu Zhou1
1Faculty of Electrical Engineering and Computer Science, Ningbo University, Ningbo, 315211, Zhejiang, China.
Computers in biology and medicine
|August 22, 2024
概括
这项研究介绍了在芯片系统 (SoC) 上使用高效的人工神经网络 (ANN) 用于使用EEG数据检测阿尔茨海默氏症 (AD). 这种新的方法显著降低了硬件成本,并提高了检测准确度.
科学领域:
- 生物医学工程 生物医学工程
- 计算机科学 计算机科学
- 神经科学是一个神经科学.
背景情况:
- 阿尔茨海默病 (AD) 检测面临着高误诊率和昂贵硬件的挑战.
- 现有的AD检测神经网络方法往往缺乏高性能,芯片上可实现的解决方案.
- 复杂的神经网络阻碍了临床应用和硬件集成.
研究的目的:
- 开发一种新的,高效的阿尔茨海默病检测框架.
- 解决传统AD检测技术的局限性,包括高成本和错误诊断率.
- 使用人工神经网络 (ANN) 创建一个高性能,低成本的AD检测芯片.
主要方法:
- 采用了一种循环计算策略,将ANN嵌入芯片系统 (SoC) 中,用于脑电图 (EEG) 分析.
- 使用减少的IEEE754单精度编码对预处理的EEG数据进行硬件编码,使内存足迹最小化.
- 数据重新映射,层次和处理元件 (PE) 重复使用技术优化了ANN计算和内存访问.
主要成果:
- 与传统设计相比,优化的SoC显示了70%的面积减少和50%的功耗减少.
- 拟议的检测模型表现出比传统模型快3到4倍的训练速度,并且较少的开销.
- 在阿尔茨海默病检测方面实现了98.53%的高准确率.
结论:
- 基于ANN的新 SoC 框架为阿尔茨海默氏症检测提供了高效和成本效益的解决方案.
- 这种方法克服了复杂的神经网络在芯片上实现和临床使用的局限性.
- 开发的系统为早期和准确的阿尔茨海默病诊断提供了有希望的进步.
