Cette entreprise développe une IA à faible consommation pour alimenter des dispositifs implantables

TTP a développé un cadre capable de classifier les données ECG en temps réel et d'évaluer leur potentiel d'arythmie grâce à l'intelligence artificielle tout en fonctionnant à faible consommation, ce qui le rend adapté à une utilisation dans les pacemakers. 

La solution de TTP contre les arythmies cardiaques 

Le déploiement conventionnel de l'IA est beaucoup trop gourmand en énergie et difficile à appliquer aux dispositifs implantés, mais cette technologie offre aux fabricants d'implants un moyen de développer des thérapies en boucle fermée plus spécifiques. 

TTP, un fournisseur de solutions médicales, a identifié et résolu trois défis en intégrant un processeur d'IA à faible consommation dans un système en boucle fermée pour la classification des battements irréguliers du cœur.

La reconnaissance de motifs est considérée comme la capacité fondamentale de l'IA. Lorsqu'elle est utilisée dans des thérapies en boucle fermée, telles que les défibrillateurs implantables, elle permet une classification plus fiable de l'activité nerveuse ou électrique du corps. Cela autorise le système à fournir la stimulation électrique requise comme traitement.

À l'inverse, l'utilisation d'un système d'IA conventionnel solliciterait la batterie limitée d'un dispositif implantable. Un autre problème est que les systèmes conventionnels nécessitent une connectivité Internet, ce qui peut poser problème et ne peut être considéré comme fiable pour des dispositifs essentiels au maintien de la vie.

L'entreprise a utilisé un microcontrôleur standard avec un accélérateur de réseau de neurones, mais c'est le premier de son genre à faible consommation énergétique à développer une solution capable de classifier des données ECG en temps réel avec la capacité d'alimentation disponible dans un pacemaker implantable.

Développer une IA à faible consommation pour les thérapies implantables

L'entreprise a indiqué avoir modifié la façon dont les modèles sont entraînés pour la classification des signaux, ainsi que la conception du matériel. Ils ont entraîné le modèle grâce à une technique appelée entraînement conscient de la quantification afin de classifier les données ECG à une résolution inférieure. Cela a permis à l'entreprise de maintenir les performances du modèle à la résolution 8 bits de l'accélérateur. Habituellement, les systèmes d'IA sur bureau et dans le cloud nécessitent une résolution de 32 à 64 bits.

Les données ECG sont souvent influencées par de nombreux facteurs différents, par exemple les variations interindividuelles, les variations électriques et l'activité cardiaque. Il n'est pas facile de mettre à l'échelle numériquement ces données avec la résolution limitée des dispositifs edge à faible consommation tout en obtenant des performances de classification acceptables. Par conséquent, pour la classification requise, TTP a conçu le front-end analogique de manière à pouvoir exploiter toute la plage dynamique et modifier le gain avant la numérisation du signal.

Les chercheurs de TTP ont également modifié le calendrier du système pour réduire les besoins énergétiques. Les dispositifs en périphérie sont principalement maintenus hors tension lorsqu'ils ne sont pas nécessaires, de sorte que l'échantillonnage et la classification des signaux devront être exécutés à des moments différents.

Les jeux de données étiquetés sont également généralement alignés dans le temps, car si le traitement et l'échantillonnage des données débutent à des moments non spécifiés, cela peut entraîner des évaluations erronées ou une décharge inutilement rapide des batteries, et dans certains cas, les données peuvent même être rejetées. Pour cette raison, les données sont d'abord prétraitées via un processus analogique afin d'obtenir une meilleure efficacité et une évaluation plus précise.

TTP travaille sur de nombreuses solutions dans le domaine médical et s'attend à ce que davantage de systèmes de thérapie en boucle fermée exploitent une IA à faible consommation.