实时亚毫瓦特发作检测在一个尖端神经网络边缘推理处理器上实现
Ruixin Li1, Guoxu Zhao2, Dylan Richard Muir3
1State Key Laboratory of Digital Medical Engineering, Key Laboratory of Biomedical Engineering of Hainan Province, School of Biomedical Engineering, Hainan University, Sanya, 572025, China; Chengdu SynSense Tech. Co. Ltd., 1577 Tianfu Road, Chengdu, 610041, Sichuan, China.
Computers in biology and medicine
|October 16, 2024
概括
这项研究引入了一个尖端神经网络 (SNN) 来从EEG信号中实时检测发作. 该SNN实现了高精度和低功耗,为可穿戴设备提供了有前途的解决方案.
科学领域:
- 神经科学是一个神经科学.
- 计算机科学 计算机科学
- 生物医学工程 生物医学工程
背景情况:
- 电脑电图 (EEG) 信号分析用于发作检测,在及时诊断方面面临技术挑战.
- 现有的方法在实时处理和便携式应用程序的高效能耗方面扎.
研究的目的:
- 开发和验证一个尖端神经网络 (SNN) 用于检测发作的间歇性和间歇性时期.
- 评估SNN在Xylo神经形态处理器上的性能,以实现低功耗,实时的发作检测.
主要方法:
- 使用训练有素的尖端神经网络 (SNN) 来分析电脑电图 (EEG) 数据集.
- 在Xylo神经形态处理器上部署了SNN模型,模拟了漏洞神经元的整合和发射神经元.
- 将SNN的性能与现有研究进行了比较,并评估了它的准确性和功耗.
主要成果:
- 该SNN实现了高测试准确度的93.3%的ictal和92.9%的间歇期分类.
- 部署的系统显示了低的平均功耗:87.4μW (IO功率) +287.9μW (计算功率).
- 该方法在多个数据集中表现出极好的低延迟性能.
结论:
- 拟议的SNN方法为在线实时发作检测提供了有效的解决方案.
- 低功耗和低延迟特性使其适合集成到便携式和可穿戴诊断设备中.
- 这项技术有可能显著改善的管理和监测.
更多相关视频
05:19Using Neuron Spiking Activity to Trigger Closed-Loop Stimuli in Neurophysiological Experiments
Published on: November 12, 2019
7.0K
06:28Author Spotlight: Unraveling Seizure Dynamics and Novel Therapeutics for Status Epilepticus Using CMOS High-Density Microelectrode Array Systems
Published on: September 27, 2024
2.2K
