早产儿呼吸异常检测的节能方法
信号处理
2022-02-23 v1 人工智能
摘要
对早产儿呼吸频率的精确监测对于按需启动医疗干预至关重要。有线技术可能对患者有侵入性和干扰性。我们提出了一种支持深度学习的早产儿可穿戴监测系统，其中利用从放置在婴儿身体上的非侵入式可穿戴 Bellypatch 无线采集的信号来预测呼吸停止。我们提出了包含数据采集与标注、特征缩放、带超参数调优的模型选择、模型训练与验证、模型测试与部署的五阶段设计流程。所用模型为具有 1 个卷积层、1 个池化层和 3 个全连接层的 1 维卷积神经网络（1DCNN）架构，准确率达 97.15%。为解决可穿戴处理的能量限制，探索了多种量化技术并分析了其性能与能耗。我们提出了一种基于脉冲神经网络（SNN）的新型呼吸分类方案，可在事件驱动的神经形态硬件上实现。我们提出了一种将基线 1DCNN 的模拟运算转换为对应脉冲运算的方法。我们利用转换后 SNN 的参数进行设计空间探索，以生成具有不同准确率和能耗足迹的推理方案。我们选取了一种相较基线 1DCNN 模型准确率 93.33% 且能耗降低 18 倍的方案。此外，所提 SNN 方案在达到相似准确率的同时能耗降低 4 倍。
引用
@article{arxiv.2202.10570,
title = {Energy-Efficient Respiratory Anomaly Detection in Premature Newborn Infants},
author = {Ankita Paul and Md. Abu Saleh Tajin and Anup Das and William M. Mongan and Kapil R. Dandekar},
journal= {arXiv preprint arXiv:2202.10570},
year = {2022}
}