Эта компания разрабатывает энергоэффективный ИИ для питания имплантируемых устройств

TTP разработала framework, способный классифицировать данные ЭКГ в реальном времени и оценивать их на предмет потенциальных аритмий с помощью искусственного интеллекта при низком энергопотреблении, что делает его подходящим для использования в кардиостимуляторах. 

Решение TTP для лечения сердечных аритмий 

Традиционное развертывание ИИ требует слишком много энергии и сложно применяется к имплантируемым устройствам, однако эта технология предлагает производителям имплантов возможность создавать более специфичные замкнутые терапевтические системы. 

TTP, поставщик медицинских решений, выявила и решила три проблемы путем внедрения процессора ИИ с низким энергопотреблением в замкнутую систему для классификации нерегулярных сердечных ритмов.

Распознавание паттернов считается базовой способностью ИИ. При использовании в замкнутых терапевтических системах, таких как имплантируемые дефибрилляторы, это обеспечивает более точную классификацию нервной или электрической активности организма. Благодаря этому система может подавать необходимую электрическую стимуляцию в качестве лечения.

В то же время использование традиционных систем ИИ создаёт избыточную нагрузку на ограниченный заряд батареи имплантируемого устройства. Другая проблема заключается в том, что обычные системы требуют подключения к интернету, что ненадёжно и неприемлемо для устройств, критически важных для поддержания жизни.

Компания использовала стандартный микроконтроллер с ускорителем нейронных сетей, но стала первой, кто разработал решение с низким энергопотреблением, способное классифицировать данные ЭКГ в реальном времени при мощности, доступной в имплантируемом кардиостимуляторе.

Разработка энергоэффективного ИИ для имплантируемых терапевтических систем

Компания сообщила о пересмотре подхода к обучению моделей для классификации сигналов, а также к проектированию аппаратного обеспечения. Модель была обучена с помощью техники обучения с учётом квантования (quantization-aware training) для классификации данных ЭКГ при пониженном разрешении. Это позволило сохранить производительность модели при 8-битном разрешении ускорителя. Обычно настольные и облачные системы ИИ требуют разрешения от 32 до 64 бит.

Данные ЭКГ часто подвержены влиянию множества различных факторов, например, индивидуальных различий между людьми, электрических вариаций и активности сердца. Кроме того, сложно масштабировать данные в цифровом виде при ограниченной разрешающей способности энергоэффективных периферийных устройств и при этом достичь приемлемой точности классификации. Поэтому для требуемой классификации компания TTP разработала аналоговый фронтенд таким образом, чтобы он мог использовать полный динамический диапазон и изменять коэффициент усиления до оцифровки сигнала.

Исследователи из TTP также скорректировали временные параметры системы для снижения энергопотребления. Периферийные устройства в основном отключены, когда не требуется их работа, поэтому выборка и классификация сигналов должны выполняться в разное время.

Размеченные наборы данных также обычно синхронизированы по времени, поскольку начало обработки и выборки данных в несанкционированное время может привести к ошибочным выводам или неоправданному разряду батареи, а в некоторых случаях — к полному отбрасыванию данных. По этой причине данные сначала подвергаются предварительной обработке в аналоговом режиме для повышения эффективности и точности оценки.

TTP разрабатывает множество решений в области медицины и ожидает, что более замкнутые терапевтические системы будут использовать энергоэффективный ИИ.