この企業は、埋め込み型デバイスを駆動するための低消費電力 AI を開発

TTP は、低消費電力でリアルタイムの ECG データを分類し、人工知能を用いて不整脈の可能性を評価できるフレームワークを開発しました。これにより、ペースメーカーでの使用に適しています。 

TTP の心臓不整脈に対するソリューション 

従来の AI 展開は電力消費が大きく、埋め込みデバイスへの適用が困難ですが、この技術は埋め込み機器メーカーに、より具体的なクローズドループ療法の開発手段を提供します。 

医療ソリューションプロバイダーである TTP は、心臓の不整脈分類のためのクローズドループシステムに低消費電力 AI プロセッサを組み込むことで、3 つの課題を特定し解決しました。

パターン認識は AI の基本的な能力とされています。そして、埋め込み型除細動器のようなクローズドループ療法に用いられる場合、体内の神経や電気活動の分類をより信頼性の高いものへと向上させます。これにより、システムは治療として必要な電気刺激を提供できるようになります。

一方、従来の AI システムを使用すると、埋め込みデバイスの限られたバッテリー電力に負荷がかかります。もう一つの課題は、従来のシステムがインターネット接続を必要とする点です。これは問題となり得るだけでなく、生命維持に不可欠なデバイスにおいては信頼できない要因となります。

同社は、ニューラルネットワークアクセラレータを搭載した市販のマイクロコントローラを採用しましたが、埋め込み型ペースメーカで利用可能な電力容量でリアルタイムの ECG データを分類できるソリューションを開発したのはこれが初めてであり、低消費電力を実現しました。

埋め込み型療法向けの低消費電力 AI の開発

同社によると、信号分類のためのモデルのトレーニング方法とハードウェアの設計を変更しました。ECG データをより低い解像度で分類するために、「量子化対応トレーニング」と呼ばれる手法でモデルを訓練し、アクセラレータの 8 ビット解像度でもモデルのパフォーマンスを維持することに成功しました。通常、デスクトップやクラウドの AI システムでは 32 ビットから 64 ビットの解像度が必要です。

ECG データは、個人差、電気的変動、心臓活動など、さまざまな要因の影響を受けやすいため、低電力エッジデバイスの限られた解像度でデータをデジタルスケールし、許容可能な分類性能を得ることは容易ではありません。そのため、必要な分類を実現するために、TTP はアナログフロントエンドを設計し、信号のディジタル化前にフルダイナミックレンジを活用し、ゲインを変更できるようにしました。

TTPの研究者たちは、システムの電力要件を削減するためにタイミングを変更しました。エッジデバイスは必要な時にのみ動作するため、サンプリングと信号分類は異なる時刻に実行する必要があります。

ラベル付きデータセットも通常、時間同期されています。なぜなら、データ処理とサンプリングが指定されていない時刻に開始されると、誤った評価や不要なバッテリー消費につながる可能性があり、場合によってはデータ自体が破棄されることもあるからです。このため、より高い効率性と正確な評価を実現するために、データはまずアナログプロセスで前処理されます。

TTP は 医療分野で多くのソリューションに取り組んでおり、より多くのクローズドループ療法システムが低消費電力 AI を活用すると予想しています。