TTP 开发了一种框架，该框架能够对实时心电图数据进行分类，并利用人工智能评估潜在的心律失常，同时功耗很低，因此适合用于心脏起搏器。.
TTP治疗心律失常的解决方案
传统的 AI 部署方式耗电量太大，难以应用于植入式设备，但该技术为植入物制造商提供了一种开发更具体的闭环疗法的方法。.
医疗解决方案提供商 TTP 通过在心脏不规则跳动分类的闭环系统中集成低功耗 AI 处理器，dent并解决了三个挑战。.
识别模式被认为是人工智能的基本能力。当将其应用于植入式 defi器等闭环疗法时，它能更可靠地对体内神经或电活动进行分类。这使得系统能够提供所需的电刺激作为治疗手段。.
然而，使用传统的AI系统会加剧植入式设备有限的电池电量消耗。另一个问题是，传统系统需要互联网连接，这对于维持生命至关重要的设备来说，可能存在安全隐患且无法依赖。.
该公司采用了一款现成的微控制器和神经网络加速器，但它是首款低功耗解决方案，能够在植入式心脏起搏器设备可用的功率范围内对实时心电图数据进行分类。.
开发用于植入式疗法的低功耗人工智能
该公司表示，他们改进了信号分类模型的训练方式以及硬件设计。他们采用了一种名为量化感知训练的技术来训练模型，从而在较低分辨率下对心电图数据进行分类。这有助于该公司在加速器的 8 位分辨率下保持模型的性能。通常，桌面和云端 AI 系统需要 32 位到 64 位分辨率。.
心电图数据通常受多种因素影响，例如个体差异、电生理波动和心脏活动。在低功耗边缘设备的有限分辨率下，很难对数据进行数字化缩放并获得可接受的分类性能。因此，为了满足分类需求，TTP 设计了模拟前端，使其能够在信号数字化之前充分利用动态范围并改变增益。.
TTP的研究人员还调整了系统的时序以降低功耗。边缘设备在不需要运行时大多处于关闭状态，因此采样和信号分类必须在不同的时间运行。
标注后的数据集通常也经过时间对齐处理，因为如果数据处理和采样在未指定时间开始，可能会导致错误的评估结果或不必要的电池损耗，在某些情况下，甚至会导致数据被丢弃。因此，数据首先会通过模拟过程进行预处理，以提高效率和评估效果。.
医疗领域研究许多解决方案，并期望更多闭环治疗系统能够利用低功耗人工智能。
