使用事件驱动神经形态处理器的实时超低功耗 ECG 异常检测
信号处理
2019-11-14 v1 机器学习
神经与进化计算
摘要
通过对记录的生物信号（如心电图（ECG））进行离线分析，可以实现对人类受试者病理状态的准确检测。然而，人工诊断耗时且昂贵，因为它需要医疗专业人员的时间。当生物信号中的指示性模式不频繁时，这尤其低效。此外，疑似病理的患者常被长时间监测，需要存储和检查大量非病理数据，并给诊断专业人员带来困难的视觉搜索任务。在这项工作中，我们提出了一种紧凑且亚毫瓦的低功耗神经处理系统，可用于对病理状态进行在线和实时初步诊断，对可能存在的病理状态发出警告，或触发离线数据记录系统以供医疗专业人员进一步分析。我们将该系统应用于 ECG 数据的实时分类，以区分健康心跳与病理节律。多通道模拟 ECG 迹线被编码为异步二进制事件流，并使用在储备池计算范式下运行的脉冲循环神经网络进行处理。然后训练一个事件驱动神经元输出层来识别若干种病理之一。最后，该输出层的滤波活动被用于生成指示病理模式存在与否的二进制触发信号。我们使用采用标准 180 nm CMOS VLSI 工艺实现的动态神经形态异步处理器（DYNAP）芯片验证了所提出的方法，并给出了从该芯片测得的实验结果。
引用
@article{arxiv.1911.05521,
title = {Real-time ultra-low power ECG anomaly detection using an event-driven neuromorphic processor},
author = {Felix Christian Bauer and Dylan Richard Muir and Giacomo Indiveri},
journal= {arXiv preprint arXiv:1911.05521},
year = {2019}
}