Dieses Unternehmen entwickelt energiesparende KI zur Stromversorgung implantierbarer Geräte

TTP hat ein System entwickelt, das in der Lage ist, Echtzeit-EKG-Daten zu klassifizieren und sie mithilfe künstlicher Intelligenz auf potenzielle Arrhythmien zu untersuchen, und das bei geringem Stromverbrauch, wodurch es sich für den Einsatz in Herzschrittmachern eignet. 

Die Lösung von TTP für Herzrhythmusstörungen 

Der herkömmliche Einsatz von KI ist viel zu energieintensiv und schwierig auf implantierte Geräte anzuwenden, aber die Technologie bietet Implantatherstellern die Möglichkeit, spezifischere Closed-Loop-Therapien zu entwickeln. 

TTP, ein Anbieter medizinischer Lösungen, hat drei Herausforderungendentund gelöst, indem ein energiesparender KI-Prozessor in ein geschlossenes Regelsystem zur Klassifizierung von Herzrhythmusstörungen integriert wurde.

Das Erkennen von Mustern gilt als grundlegende Fähigkeit der KI. In geschlossenen Therapiesystemen wie implantierten defiermöglicht sie eine zuverlässigere Klassifizierung der Nerven- oder elektrischen Aktivität im Körper. Dadurch kann das System die benötigte elektrische Stimulation als Behandlung gezielt abgeben.

Der Einsatz eines herkömmlichen KI-Systems würde die begrenzte Batterieleistung eines implantierten Geräts zusätzlich belasten. Ein weiteres Problem besteht darin, dass herkömmliche Systeme eine Internetverbindung benötigen, was problematisch sein kann und bei lebenswichtigen Geräten nicht verlässlich ist.

Das Unternehmen verwendete einen handelsüblichen Mikrocontroller mit einem neuronalen Netzwerkbeschleuniger, aber es war der erste seiner Art mit geringem Stromverbrauch, um seine Lösung zu entwickeln, die Echtzeit-EKG-Daten mit der im implantierbaren Herzschrittmachergerät verfügbaren Leistungskapazität klassifizieren kann.

Entwicklung energieeffizienter KI für implantierbare Therapien

Das Unternehmen gab an, sowohl die Trainingsmethode der Modelle für die Signalklassifizierung als auch das Hardware-Design angepasst zu haben. Mithilfe eines Verfahrens namens quantisierungsbewusstes Training wurde das Modell trainiert, um EKG-Daten mit einer niedrigeren Auflösung zu klassifizieren. Dadurch konnte die Leistungsfähigkeit des Modells bei der 8-Bit-Auflösung des Beschleunigers aufrechterhalten werden. Üblicherweise benötigen Desktop- und Cloud-KI-Systeme eine Auflösung von 32 bis 64 Bit.

EKG-Daten werden häufig von vielen verschiedenen Faktoren beeinflusst, beispielsweise von individuellen Unterschieden, elektrischen Schwankungen und der Herzaktivität. Die digitale Skalierung der Daten ist bei der begrenzten Auflösung von stromsparenden Edge-Geräten schwierig, um eine akzeptable Klassifizierungsleistung zu erzielen. Daher hat TTP für die erforderliche Klassifizierung das analoge Frontend so konzipiert, dass es den vollen Dynamikbereich nutzen und die Verstärkung vor der Digitalisierung des Signals anpassen kann.

Die Forscher von TTP haben außerdem das Timing des Systems angepasst, um den Stromverbrauch zu senken. Die Edge-Geräte sind größtenteils ausgeschaltet, wenn sie nicht benötigt werden, sodass Abtastung und Signalklassifizierung zu unterschiedlichen Zeiten erfolgen müssen. 

Die gelabelten Datensätze sind in der Regel auch zeitlich ausgerichtet, da eine Datenverarbeitung und -erfassung zu nicht festgelegten Zeitpunkten zu Fehlinterpretationen, unnötigem Batterieverbrauch und unter Umständen sogar zum Datenverlust führen kann. Aus diesem Grund werden die Daten zunächst in einem analogen Verfahren vorverarbeitet, um eine höhere Effizienz und bessere Auswertung zu erzielen.

TTP arbeitet an vielen Lösungen im medizinischen Bereich und geht davon aus, dass mehr geschlossene Therapiesysteme auf energieeffiziente KI zurückgreifen werden.