دانلود مقاله ترجمه شده تشخیص تشنج سخت افزار دوست با درختان تصمیم گیری کم عمق (IEEE ۲۰۱۶) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

تشخیص تشنج سخت افزار دوست با یک مجموعه پیشرفته از درختان تصمیم گیری کم عمق

Hardware-Friendly Seizure Detection with a Boosted Ensemble of Shallow Decision Trees

چکیده

۱) مقدمه

۲) توصیف داده‌ها و روش

الف) داده‌های EEG داخل جمجمه‌ای

ب) انتخاب ویژگی

پ) درخت تصمیم‌گیری گرادیان افزایشی

۳) طراحي و ارزيابي عملكرد طبقه‌بندي‌کننده

۴) طبقه‌بندی سخت افزار-دوست

الف) توپولوژی درخت تصمیم سیگنال مختلط

ب) اختصاص دادن کانال بهینه در یادگیری داده‌ها

۵) نتیجه گیری

چکیده

یادگیری داخل تراشه‌ای کارآمد، به یکی از عناصر ضروری ابزار پزشکی کاشتنی تبدیل شده است. باوجود مقالات بسیاری که در حوزه‌ی الگوریتم‌های تشخیص خودکار حمله صرعی وجود دارد، درمورد پیاده‌سازی سخت‌افزار-دوست چنین روش‌هایی، به اندازه کافی بحث نشده است. در این مقاله، ما به کارگیری مجموعه‌های درخت تصمیم‌ را پیشنهاد می کنیم تا به مصالحه میان دقت تشخیص و هزینه های پیاده سازی دست یابیم. مدل استخراج ویژگی پیشنهاد شده، نشان می دهد که این طبقه‌بندی‌کننده‌ها با تعداد کمی از درخت‌های سطحی (d <4) ، به سرعت با مدل‌های یادگیری پیچیده‌ترکه قبلا برای پیاده سازی سخت افزاری ارائه شده اند، رقابت می کنند. نتایج به دست آمده بر روی بیش از ۳۴۶۰ ساعت دیتا الکتروانسفالوگرافی داخل جمجمه‌ای، شامل ۴۳۰ حمله از ۲۷ بیمار مبتلا به صرع، تایید شده است.

ب) اختصاص دادن کانال بهینه در یادگیری داده‌ها

چالش اصلی در تشخیص آنلاین حمله صرعی با استفاده از ابزار کاشتنی، الگوریتم تشخیص و انتخاب و پیاده‌سازی ساختار مداری مربوطه است. با این حال، با استفاده از روش‌های سوئیچینگ و مالتی‌پلکس کردن، می‌توان در تخصیص بلوک‌های فیزیکی به کانال های انتخاب شده، انعطاف‌پذیری داشت. برای مقابله با این مشکل، می‌توان ساختار درخت تصمیم در نظر گرفته شده با عمق و پیچیدگی منطقی را بر روی تراشه اجرا کرد. همانطور که در شکل ۶ نشان داده شده، در هر مرحله از مقایسه، تنها مقدار ویژگی کانالی موردنیاز است که در گره فعال و مسیر درخت باشد. بقیه آرایه را می‌توان برای صرفه جویی در توان مصرفی خاموش کرد. همچنین می‌توان کانال ها را در کل آرایه مالتی‌پلکس کرد یا از بین زیر مجموعه‌ای از کانال های منتخب که نقش اصلی در تصمیم‌گیری حین آموزش دارند، انتخاب کرد. جالب توجه است که تنها D × N بلوک استخراج ویژگی مورد نیاز است و D عمق درخت و N تعداد درختان است. مشکل اینجاست که عمق درخت، تاخیر تشخیص را تحت تاثیر قرار می‌دهد.

Abstract

Efficient on-chip learning is becoming an essential element of implantable biomedical devices. Despite a substantial literature on automated seizure detection algorithms, hardware-friendly implementation of such techniques is not sufficiently addressed. In this paper, we propose to employ a gradientboosted ensemble of decision trees to achieve a reasonable trade-off between detection accuracy and implementation cost. Combined with the proposed feature extraction model, we show that these classifiers quickly become competitive with more complex learning models previously proposed for hardware implementation, with only a small number of low-depth (d <; 4) “shallow” trees. The results are verified on more than 3460 hours of intracranial EEG data including 430 seizures from 27 patients with epilepsy.

B- Optimal Channel Allocation upon Learning from Data

A critical challenge of online seizure detection using an implantable device is that the seizure detection algorithm and corresponding circuit architecture has to be chosen and implemented in advance. Using switching techniques and multiplexing, however, provide some degree of flexibility in allocation of physically implemented blocks to selected channels. To partially alleviate this problem, a generic decision tree architecture with a reasonable depth and complexity can be implemented on chip. During each comparison step, only the feature value of the channel appearing in the active node and path of tree is needed, as shown in Fig. 6. The rest of array can be switched off to save power. The channels can be multiplexed either across the entire array, or chosen among a selected subset of channels which are dominant decision makers during training. Interestingly, only D × N feature extraction blocks are required, with D being the depth of tree and N being the number of trees. The drawback is that the depth of tree will affect the detection latency. Alternatively, since the final decision of each tree is made upon completing the decisions in prior levels, one single feature extraction block (analog or digital) can be sequentially used per tree, resulting in significant hardware saving.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تشخیص تشنج سخت افزار دوست با یک مجموعه پیشرفته از درختان تصمیم گیری کم عمق

Hardware-Friendly Seizure Detection with a Boosted Ensemble of Shallow Decision Trees