TTP は、低消費電力で動作しながら人工知能によってリアルタイムの ECG データを分類し、潜在的な不整脈を評価できるフレームワークを開発しました。これはペースメーカーでの使用に適しています。.
TTPの不整脈に対するソリューション
従来の AI の導入は電力消費が大きすぎて埋め込み型デバイスに適用するのは困難ですが、このテクノロジーにより、埋め込み型デバイスメーカーはより専門的な閉ループ療法を開発できるようになります。.
医療ソリューションプロバイダーの TTP は、心臓の不整脈を分類する閉ループシステムに低電力 AI プロセッサを組み込むことで、3 つの課題をdentし、解決しました。.
パターン認識はAIの基本的な能力と考えられています。そして、埋め込み型 defi細動器のような閉ループ治療にAIを用いることで、体内の神経活動や電気活動をより正確に分類することが可能になります。これにより、システムは治療に必要な電気刺激を提供することができます。.
一方、従来のAIシステムを使用すると、埋め込み型デバイスの限られたバッテリー電力に負担がかかります。また、従来のシステムはインターネット接続を必要とするため、生命維持に不可欠なデバイスには適さないという問題も生じます。.
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使用しましたが、これは、埋め込み型ペースメーカー デバイス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するために、低電力要件を備えた初めてのソリューションでした。.
埋め込み型治療のための低消費電力AIの開発
同社は、ハードウェア設計に加え、信号分類のためのモデルの学習方法も変更したと述べています。量子化を考慮した学習と呼ばれる手法を用いてモデルを学習し、低解像度のECGデータを分類しました。これにより、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できました。通常、デスクトップおよびクラウドAIシステムは32ビットから64ビットの解像度を必要とします。.
心電図データは、個人差、電気的変動、心臓の活動など、様々な要因の影響を受けることがよくあります。低消費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的にスケーリングし、許容できる分類性能を得ることは容易ではありません。そのため、TTPは必要な分類を実現するために、信号をデジタル化する前に、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アナログフロントエンドを設計しました。.
TTPの研究者たちは、システムのタイミングを変更して電力要件を削減しました。エッジデバイスは、動作が不要なときはほとんどオフに保たれるため、サンプリングと信号分類は異なるタイミングで実行する必要があります。
ラベル付けされたデータセットは通常、時間的に整合されています。これは、データ処理とサンプリングが指定時刻以外で開始されると、誤った評価や不必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が破棄される可能性があるためです。このため、効率性と評価を向上させるために、データはまずアナログプロセスで前処理されます。.
医療分野で多くのソリューションに取り組んでおり、より多くの閉ループ治療システムが低電力 AI を活用するようになると予想しています。
