Publikace detail

Nízkoenergetický koprocesor pro predikci komorové arytmie pro nositelná zdravotnická zařízení

Autoři: Janveja Meenali | Parmar Rushik | Dash Srichandan | Pidanič Jan | Trivedi Gaurav

Rok: 2024

Druh publikace: článek v odborném periodiku

Název zdroje: IEEE Transactions on Very Large Scale Integration (VLSI) Systems

Název nakladatele: IEEE (Institute of Electrical and Electronics Engineers)

Místo vydání: New York

Strana od-do: nestránkováno

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	Nízkoenergetický koprocesor pro predikci komorové arytmie pro nositelná zdravotnická zařízení	Komorová arytmie (VA) je nejkritičtější srdeční anomálií ze všech arytmií. Proto je nezbytné předvídat výskyt VA, aby se předešlo náhlým obětem způsobeným těmito arytmiemi. V minulosti bylo navrženo pouze několik hardwarových návrhů pro předpovídání VA pomocí různých funkcí odvozených ze signálů elektrokardiogramu (EKG) a zpracovaných pomocí klasifikátorů strojového učení. Tyto návrhy jsou však buď složité, nebo vyžadují větší přesnost predikce. Proto je v tomto článku navržen koprocesor pro predikci arytmie založený na hluboké neuronové síti (DNN). Dokáže předpovědět VA nejméně 15 min před jejím výskytem s přesností 91,6 %. Architektura koprocesoru pro predikci arytmie (CoAP) využívá optimální příznakový vektor extrahovaný z EKG signálu a optimalizovanou DNN s využitím nového přibližného násobiče (AM). CoAP pracuje při frekvenci 12,5 kHz a spotřebovává 4,69 mu W při implementaci pomocí 180nm bulk CMOS technologie SCL. Realizace navrženého návrhu s nízkou spotřebou a jeho vyšší přesnost ve srovnání se známými nejmodernějšími metodami jej činí vhodným pro nositelná zařízení.	Arytmie; aplikačně specifický integrovaný obvod (ASIC); hluboká neuronová síť (DNN); elektrokardiogram (EKG); nízký výkon; aplikačně specifický integrovaný obvod (ASIC); hluboká neuronová síť (DNN); elektrokardiogram (EKG); nízký výkon
eng	A Low-Power Co-Processor to Predict Ventricular Arrhythmia for Wearable Healthcare Devices	Ventricular arrhythmia (VA) is the most critical cardiac anomaly among all arrhythmia beats. Thus, it becomes imperative to predict the occurrence of VA to avoid sudden casualties caused by these arrhythmia beats. In the past, only a few hardware designs have been proposed to predict VA using various features derived from electrocardiogram (ECG) signals and processed using machine learning classifiers. However, these designs are either complex or need more prediction accuracy. Therefore, a deep neural network (DNN)-based co-processor for arrhythmia prediction is proposed in this article. It can predict VA at least 15 min before its occurrence with 91.6% accuracy. Co-processor architecture for arrhythmia prediction (CoAP) uses an optimal feature vector extracted from the ECG signal and an optimized DNN, using a novel approximate multiplier (AM). CoAP operates at 12.5 kHz and consumes 4.69 mu W when implemented using SCL 180-nm bulk CMOS technology. The low power realization of the proposed design and its higher accuracy, compared with well-known state-of-the-art methods, make it suitable for wearable devices.	Arrhythmia; application specific integrated circuit (ASIC); deep neural network (DNN); electrocardiogram (ECG); low power; application specific integrated circuit (ASIC); deep neural network (DNN); electrocardiogram (ECG); low power

Vyhledávání

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Katedry

Služby

Jak nás najdete?

Často hledáte