TTP는 실시간 ECG 데이터를 분류하고 인공지능을 이용하여 잠재적 부정맥을 평가할 수 있는 프레임워크를 개발했는데, 이 프레임워크는 저전력으로 작동하므로 심박 조율기에 사용하기에 적합합니다.
TTP의 심장 부정맥 해결책
기존의 인공지능(AI) 활용 방식은 전력 소모가 너무 많고 이식형 기기에 적용하기 어렵지만, 이 기술은 이식 기기 제조업체에게 보다 특정한 폐쇄 루프 치료법을 개발할 수 있는 길을 열어줍니다.
의료 솔루션 제공업체인 TTP는 저전력 AI 프로세서를 심장 박동 불규칙 분류를 위한 폐쇄 루프 시스템에 통합하여 세 가지 과제를dent하고 해결했습니다.
패턴 인식은 인공지능의 기본 능력으로 여겨집니다. 이식 defi제세동기와 같은 폐쇄 루프 치료에 사용될 경우, 인체의 신경 또는 전기 활동을 더욱 정확하게 분류할 수 있습니다. 이를 통해 시스템은 치료에 필요한 전기 자극을 제공할 수 있습니다.
반면, 기존 AI 시스템을 사용하면 이식형 장치의 제한된 배터리 전력에 부담을 줄 수 있습니다. 또 다른 문제는 기존 시스템이 인터넷 연결을 필요로 한다는 점인데, 이는 생명 유지에 필수적인 장치에는 문제가 될 수 있으며, 안정적인 작동을 보장할 수 없습니다.
이 회사는 시중에서 구할 수 있는 마이크로컨트롤러와 신경망 가속기를 사용했는데, 이식형 심박조율기 장치에서 사용할 수 있는 전력 용량 내에서 실시간 심전도 데이터를 분류할 수 있는 솔루션을 개발하기 위해 저전력 요구 사항을 충족하는 최초의 제품이었습니다.
이식형 치료법을 위한 저전력 AI 개발
회사 측은 신호 분류 모델 학습 방식과 하드웨어 설계를 변경했다고 밝혔습니다. 더 낮은 해상도의 ECG 데이터를 분류하기 위해 양자화 인식 학습이라는 기술을 활용했습니다. 이를 통해 가속기의 8비트 해상도에서도 모델 성능을 유지할 수 있었습니다. 일반적으로 데스크톱 및 클라우드 AI 시스템은 32비트에서 64비트 해상도를 필요로 합니다.
ECG 데이터는 개인차, 전기적 변동, 심장 활동 등 다양한 요인의 영향을 받습니다. 또한 저전력 엣지 디바이스의 제한된 해상도로 데이터를 디지털 방식으로 확장하여 만족스러운 분류 성능을 얻는 것은 쉽지 않습니다. 따라서 TTP는 필요한 분류를 위해 아날로그 프런트엔드를 설계할 때 신호 디지털화 전에 게인을 변경하고 전체 동적 범위를 활용할 수 있도록 했습니다.
TTP 연구진은 전력 소모를 줄이기 위해 시스템 타이밍도 조정했습니다. 엣지 디바이스는 필요하지 않을 때는 대부분 꺼져 있으므로 샘플링과 신호 분류는 서로 다른 시간에 실행되어야 합니다.
레이블이 지정된 데이터 세트는 일반적으로 시간적으로 정렬됩니다. 데이터 처리 및 샘플링이 지정되지 않은 시점에서 시작될 경우 잘못된 평가가 발생하거나 배터리가 불필요하게 소모될 수 있으며, 경우에 따라 데이터가 폐기될 수도 있기 때문입니다. 이러한 이유로 효율성과 평가 정확도를 높이기 위해 데이터는 먼저 아날로그 방식으로 전처리됩니다.
의료 분야 에서 다양한 솔루션을 개발 중이며 , 향후 더 많은 폐쇄 루프 치료 시스템이 저전력 AI를 활용할 것으로 예상합니다.
