Ce projet répond au besoin d'une gestion efficace, analyse en temps réel de
signaux biomédicaux tels que les électrocardiogrammes (ECG) et électroencéphalogrammes
(EEG) pour une surveillance continue de la santé. Les méthodes traditionnelles reposent sur
enregistrement de données de longue durée suivi d'une analyse hors ligne, ce qui est
consomme beaucoup d'énergie et retarde les réponses aux symptômes critiques tels que l'arythmie.
Pour surmonter ces limites, un modèle d'analyse ECG dans le domaine temporel basé sur un
nouvelle mémoire à long terme et à polarisation dynamique (DB-LSTM) le réseau neuronal est
proposé. Ce modèle prend en charge la prévision et la classification ECG simultanées
avec des performances élevées sur 98% précision et un carré moyen normalisé
erreur inférieure à 1e-3 pour la prévision, et plus 97% précision avec une convergence plus rapide
et moins de paramètres de formation pour la classification. Pour activer le déploiement Edge,
le modèle est optimisé matériellement en quantifiant les poids aux formats INT4 ou INT3,
résultant en seulement un 2% et 6% baisse de la précision de la classification pendant la formation
et inférence, respectivement, tout en conservant une précision totale pour les prévisions.
Des simulations approfondies utilisant plusieurs ensembles de données ECG confirment l’efficacité du modèle.
robustesse. Les travaux futurs incluent la mise en œuvre de l'algorithme sur FPGA et CMOS
circuits pour une surveillance cardiaque pratique, ainsi que le développement d'un numérique
plate-forme matérielle qui prend en charge des configurations de réseaux neuronaux flexibles et
formation en ligne sur puce pour les applications de soins de santé personnalisées.

Cet article explore les excursions dans le temps et leurs implications.

Télécharger PDF: