高能(néng)效的 AI 芯片可(kě)及时检测心房颤动

2021-08-06

高能(néng)效的 AI 芯片可(kě)及时检测心房颤动

他(tā)们的重点是促进创建可(kě)记录心電(diàn)图的可(kě)穿戴设备，以防止因心率不规则引起的中风

边缘的超低功耗 AI

心房颤动是最常见的心律失常类型之一。如果没有(yǒu)及时发现，这种情况可(kě)能(néng)会引发中风。可(kě)以長(cháng)时间记录心電(diàn)图 (ECG) 的可(kě)穿戴设备是增加对不规则心律的检测的好方法。但必须有(yǒu)可(kě)能(néng)以节能(néng)的方式分(fēn)析记录的心電(diàn)图数据，以便移动诊断实用(yòng)。用(yòng)于评估患者数据的算法可(kě)能(néng)需要大量计算，从而导致高能(néng)耗。因此，在评估此类算法时，移动应用(yòng)程序的最高优先级应该是节能(néng)。 

為(wèi)促进上述问题的可(kě)行解决方案，德國(guó)联邦教育和研究部 (BMBF) 组织了一场名為(wèi)“高能(néng)效 AI 系统”的创新(xīn)竞赛，参赛者必须设计一款检测心房颤动的 AI 芯片。至少 90% 的准确度并且消耗很(hěn)少的能(néng)量。

信号处理(lǐ)进入休眠模式

為(wèi)了确定患者是健康还是生病，Fraunhofer IIS 研究人员开发了依赖于深度學(xué)习的“使用(yòng) ML 算法（Lo3-ML）进行低功耗、低内存、低成本心電(diàn)信号分(fēn)析”的项目。将数字心電(diàn)图信号用(yòng)作神经网络的输入，对信号部分(fēn)进行滤波，对各个信号分(fēn)量进行加权（具有(yǒu)三元权重值 +1、0 和 -1）并在几层中进行汇总。“在神经网络的第一层，检测到了某种信号行為(wèi)。在第二层中，特征相互关联。总共使用(yòng)了六层。心電(diàn)图信号的复杂图像表明存在一种疾病，这种疾病直到最后第六层才出现，”弗劳恩霍夫 IIS 的科(kē)學(xué)家 Marco Breiling 说。

為(wèi)了处理(lǐ)这些时间序列信号以提高能(néng)效，即 ECG 信号的数字表示，信号处理(lǐ)成為(wèi) AI 芯片的一部分(fēn)，在不需要时休眠，从而节省了 95% 的能(néng)源。“该芯片收集了 12.7 秒(miǎo)的心電(diàn)图信号，然后仅用(yòng)了 24 毫秒(miǎo)或 0.2% 的时间处理(lǐ)它。因此，处理(lǐ)过程在 99.8% 以上的时间处于休眠状态，并且消耗的能(néng)量几乎可(kě)以忽略不计。由于非易失性 RRAM 存储器是系统的一部分(fēn)，信号处理(lǐ)可(kě)以在唤醒后立即恢复，大约 12.7 秒(miǎo)后无需消耗任何能(néng)量，”Breiling 解释道。他(tā)进一步表示，“该芯片所需的功率很(hěn)小(xiǎo)，因此在月光下运行的面积為(wèi) 6 毫米 x 6 毫米的太阳能(néng)電(diàn)池就足够了。或者，该芯片可(kě)以使用(yòng)非常小(xiǎo)的纽扣電(diàn)池连续 330 天评估心電(diàn)图。” 开发的電(diàn)路不仅适用(yòng)于医疗用(yòng)途，还适用(yòng)于处理(lǐ)时间序列信号的其他(tā)应用(yòng)，例如状态监测和预测性维护。

FPGA 的整體(tǐ) AutoML

Fraunhofer ITWM 的研究团队同时考虑了硬件能(néng)耗和神经网络拓扑，这不仅提供了分(fēn)类准确度，而且还具有(yǒu)能(néng)源效率。 

但是，网络究竟如何才能(néng)满足定义的要求和规范呢(ne)？“在这方面有(yǒu)不同的搜索策略。我们使用(yòng)了一种进化方法，其中我们选择了十个不同的随机网络，训练它们并检查它们的工作情况。然后我们选择了最好的网络并对它们进行了变异以创建新(xīn)的网络变體(tǐ)。重复该过程，直到找到最佳网络。这个过程称為(wèi)自动化机器學(xué)习，”在能(néng)力中心进行研究的 Jens Krüger 博士解释说——弗劳恩霍夫 ITWM 的高性能(néng)计算。 

Krüger 和他(tā)的团队使用(yòng)现场可(kě)编程门阵列 (FPGA) 来映射神经网络，实现各种電(diàn)路并实现最佳算法的最佳执行。FPGA 可(kě)以重新(xīn)编程任意次数，并通过定义最佳神经网络的各种特征进行區(qū)分(fēn)。使用(yòng)软件工具，将神经网络传输到 FPGA，然后自动评估 ECG 数据。这种方法产生了一种新(xīn)方法，它不仅更节能(néng)，而且还减少了最佳神经网络拓扑和相应 FPGA 实现的开发时间。开发的软件工具不仅适用(yòng)于 FPGA，还适用(yòng)于各种芯片和环境。

研究人员正在扩展这一过程，以包括一种不仅考虑神经网络还考虑硬件的整體(tǐ)方法，因為(wèi) AI 模型会影响硬件的能(néng)耗。

总之，可(kě)以说，只有(yǒu)降低当今微電(diàn)子的能(néng)耗，人工智能(néng)（AI）才能(néng)创造效益并进入医疗、工业和其他(tā)应用(yòng)领域。