低功率和低成本的人工智能处理器,具有分布式聚合分类架构,用于可穿戴发作检测

科学领域:

• 生物医学工程 生物医学工程
• 人工智能的人工智能
• 神经学监测 神经学监测

背景情况:

• 使用可穿戴设备的持续监测对于每日发作检测至关重要.
• 目前的AI分类器使用双阶段过程,增加硬件成本并限制能源效率.
• 现有的方法在优化硬件资源利用以实时检测发作方面面临挑战.

研究的目的:

• 为人工智能处理器提出一种新的融合架构,使事件触发计算能够用于连续的发作检测.
• 为了降低硬件成本并提高可穿戴监测系统的能源效率.
• 通过优化硬件资源利用,提高基于人工智能的发作检测性能.

主要方法:

• 引入了一个分布式聚合分类架构 (D-ACA),用于跨识别阶段重复使用硬件资源.
• 集成了一个基于尖端神经网络 (SNN) 的非编码生物医学电路方法,以优化能源消耗.
• 开发了一种可配置的控制方法,支持各种神经元模块,用于灵活的发作检测和高精度识别.

主要成果:

• 在发作检测方面达到98.1%的高分类准确率.
• 证明了非常低的分类能耗 (每分类3.73 J).
• 在Xilinx ZCU 102 FPGA板上成功实现了AI处理器.

结论:

• 新的D-ACA融合架构显著提高了能源效率和用于可穿戴发作检测的硬件利用率.
• 基于SNN的方法和灵活的控制方法使得准确和低功耗的连续监控成为可能.
• 这种设计为实时发作检测系统提供了具有成本效益和高性能的解决方案.