Questa azienda sviluppa un'intelligenza artificiale a basso consumo per alimentare dispositivi impiantabili

TTP ha sviluppato un framework in grado di classificare i dati ECG in tempo reale e di valutarli per potenziali aritmie mediante intelligenza artificiale, lavorando a bassa potenza, il che lo rende adatto all'uso nei pacemaker. 

La soluzione TTP per le aritmie cardiache 

L'impiego convenzionale dell'intelligenza artificiale è troppo dispendioso in termini di energia e difficile da applicare ai dispositivi impiantati, ma la tecnologia offre ai produttori di impianti un modo per sviluppare terapie a ciclo chiuso più specifiche. 

TTP, un fornitore di soluzioni mediche, hadente risolto tre sfide integrando un processore AI a basso consumo in un sistema a circuito chiuso per la classificazione del battito cardiaco irregolare.

Il riconoscimento di schemi è considerato la capacità fondamentale dell'intelligenza artificiale. E quando viene utilizzata in terapie a circuito chiuso come defiimpiantati, fornisce una classificazione più affidabile dell'attività nervosa o elettrica nel corpo. Ciò consente al sistema di fornire la stimolazione elettrica richiesta come trattamento.

L'utilizzo di un sistema di intelligenza artificiale convenzionale, invece, metterà a dura prova la limitata potenza della batteria di un dispositivo impiantato. Un altro problema è che i sistemi convenzionali richiedono la connettività Internet, che può rappresentare un problema e non è affidabile per dispositivi essenziali per il sostentamento della vita.

L'azienda ha utilizzato un microcontrollore standard con un acceleratore di rete neurale, ma è stata la prima del suo genere con bassi requisiti energetici a sviluppare una soluzione in grado di classificare i dati ECG in tempo reale alla potenza disponibile nel dispositivo pacemaker impiantabile.

Sviluppo di intelligenza artificiale a bassa potenza per terapie impiantabili

L'azienda ha affermato di aver modificato il modo in cui i modelli vengono addestrati per la classificazione del segnale, nonché la progettazione dell'hardware. Hanno addestrato il modello tramite una tecnica chiamata "quantization-aware training" per classificare i dati ECG a una risoluzione inferiore. Ciò ha aiutato l'azienda a mantenere le prestazioni del modello alla risoluzione a 8 bit dell'acceleratore. Solitamente, i sistemi di intelligenza artificiale desktop e cloud richiedono una risoluzione da 32 a 64 bit.

I dati ECG sono spesso influenzati da molti fattori diversi, ad esempio la variabilità interpersonale, la variazione elettrica e l'attività cardiaca. Inoltre, non è facile scalare i dati digitalmente alla risoluzione limitata dei dispositivi edge a basso consumo e ottenere prestazioni di classificazione accettabili. Pertanto, per la classificazione necessaria, TTP ha progettato il front-end analogico in modo da poter utilizzare l'intera gamma dinamica e modificare il guadagno prima della digitalizzazione del segnale.

I ricercatori del TTP hanno anche modificato la temporizzazione del sistema per ridurre il fabbisogno energetico. I dispositivi edge vengono per lo più tenuti spenti quando non sono necessari, quindi il campionamento e la classificazione del segnale dovranno essere eseguiti in momenti diversi. 

I set di dati etichettati sono solitamente allineati temporalmente, poiché se l'elaborazione e il campionamento dei dati iniziano in momenti non specificati, ciò può comportare valutazioni errate o un consumo inutile delle batterie e, in alcuni casi, anche l'eliminazione dei dati. Per questo motivo, i dati vengono prima pre-elaborati in un processo analogico per ottenere una migliore efficienza e una migliore valutazione.

TTP sta lavorando a numerose soluzioni in campo medico e prevede che un numero sempre maggiore di sistemi terapeutici a circuito chiuso sfrutterà l'intelligenza artificiale a basso consumo.