机构名称：
¥ 3.0
3瓦济港科学技术大学，武汉，中国的癫痫发作检测处理器已提议使用机器学习来检测患者的癫痫发作，以提高或刺激目的[1-4]。现有设计可以实现高精度，当可用于培训的大量癫痫发作数据。然而，与收集非赛式数据的收集不同，癫痫发作数据的收集要求患者需要进行时间耗时且昂贵的住院治疗，这在实践中很难。为了解决这个问题，[5]提出了一个零射击癫痫发作检测处理器，在没有患者进行重新训练的情况下达到了相对较高的精度（此处的零照片意味着零癫痫发作数据[5]）。取而代之的是，只需要从患者的2分钟的非Seizure数据来校准用在公共癫痫发作数据集中预先训练的神经网络（NN）提取的聚类特征。尽管这解决了上述问题，但该设计的准确性（敏感性为90.3％＆特定的93.6％）仍然有限用于实际使用，并且能源消耗很大，用于可穿戴的EEG监测设备，例如其他使用NN的癫痫发作检测处理器，如图在这项工作中，我们提出了一个零射的癫痫发作检测处理器，不需要患者的癫痫发作数据以进行[5]中的癫痫发作，但准确性和能量效率更高。图33.1.1显示了所提出的癫痫发作检测处理器的整体体系结构。33.1.2。提取了四个手动特征，包括三个EEG光谱带功率和线长度。它具有两个主要特征：1）杂交驱动的自适应加工体系结构，其片上学习不需要患者的癫痫发作数据即可获得超低的能耗和高精度，以及2）一种基于学习的自适应渠道选择技术，以进一步降低能源消耗，同时保持高精度。It mainly consists of a multi-feature extraction engine (MFEE), a hybrid-feature-driven adaptive processing engine (HAPE), a reconfigurable on-chip learning engine (ROLE), a learning-based channel selection module (LCSM), a data buffer for storing the input data from multiple EEG channels, and a data interface for parameter loading including the NN instructions and weights.一些最新的癫痫发作检测处理器采用基于手动特征提取的分类，以较低的复杂性和更强大的患者性能，而其他人则使用基于端到端的NN基于NN的分类，以提高精确度，以较少的功能工程工作。在这项工作中，我们提出了基于片上学习和自适应处理的基于混合特征的癫痫发作检测处理，以利用两者的优势，如图NN特征提取由深度转换组成，并具有扩张的Cons和Pointwisce Conv。手动功能和NN功能首先通过两个完全连接（FC）层（即FC1_1和FC1_2）投影。33.1.2），然后融合为混合特征，以馈入FC2_2进行分类。对于基于片上学习的混合功能，不需要患者的癫痫发作数据。与[5]中一样，NN使用常用的公共数据集（CHB-MIT）进行预训练。对于片上学习，来自患者的1分钟的非Seizure数据和来自公共数据集的1分钟癫痫发作数据被混合为学习数据集。为了降低能量，仅重新训练了杂交分类层和投影层。图33.1.2显示了包含两个阶段的片上学习处理流。基于混合功能NN，我们提出了一个混合驱动的自适应处理体系结构。添加了另一个FC层（FC2_1）以对手动功能进行分类。最初，仅激活手动功能分类，而混合特征分类和NN特征提取被停用。如果Fc2_1的分类结果是非seizure，则分类终止。否则，NN特征提取和混合特征分类被激活以进行进一步的分类。这种显着的同时降低了能源消耗，同时保持高精度，因为与癫痫发作相比，非赛式事件通常是主要的。为了减少由于手动特征分类的分类误差而导致的准确性损失，在培训期间将实现偏差，以将输入分类为癫痫发作以进行进一步分类。图33.1.3用混合驱动的自适应处理流量显示了HAPE和MFEE的硬件体系结构。HAPE合并了16个用于NN计算的多精制MAC单位。在计算过程中，激活数据根据其值将激活数据动态分为4B或8B，对于4B数据，高4B乘法器被禁用以节能。MFEE将4个功能计算器通过16通道脑电图通过时间多路复用重复使用。在混合驱动的自适应处理控制器的控制下，NN计算是自适应的
智能神经接口和传感系统
主要关键词
相关文件推荐
