Questo progetto risponde alla necessità di efficienza, analisi in tempo reale di
segnali biomedici come gli elettrocardiogrammi (ECG) ed elettroencefalogrammi
(EEG) per il monitoraggio sanitario continuo. I metodi tradizionali si basano su
registrazione dei dati di lunga durata seguita da analisi offline, che è
ad alta intensità energetica e ritarda le risposte a sintomi critici come l’aritmia.
Per superare queste limitazioni, un modello di analisi ECG nel dominio del tempo basato su a
nuova memoria a lungo breve termine distorta dinamicamente (DB-LSTM) la rete neurale è
proposto. Questo modello supporta la previsione e la classificazione simultanee dell'ECG
con raggiungimento di prestazioni elevate oltre 98% precisione e media quadratica normalizzata
errore inferiore a 1e-3 per la previsione, e oltre 97% precisione con convergenza più rapida
e meno parametri di addestramento per la classificazione. Per abilitare la distribuzione perimetrale,
il modello è ottimizzato dall'hardware quantizzando i pesi nei formati INT4 o INT3,
risultando solo a 2% E 6% calo dell'accuratezza della classificazione durante l'addestramento
e inferenza, rispettivamente, pur mantenendo la massima precisione per le previsioni.
Simulazioni approfondite che utilizzano più set di dati ECG confermano il modello
robustezza. Il lavoro futuro include l'implementazione dell'algoritmo su FPGA e CMOS
circuiti per il monitoraggio cardiaco pratico, oltre a sviluppare un digitale
piattaforma hardware che supporta configurazioni di rete neurale flessibili e
formazione online su chip per applicazioni sanitarie personalizzate.

Questo articolo esplora i giri e le loro implicazioni.

Scarica PDF: