دانلود مقاله ترجمه شده تشخیص قابلیت حمله صرعی بر اساس سیگنال نوار مغزی (IEEE ۲۰۱۶) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

تشخیص قابلیت حمله صرعی بر اساس سیگنال EEG در ساختار چند هسته ای فوق کم توان

Scalable EEG Seizure Detection on an Ultra Low Power Multi-Core Architecture

چکیده

1) مقدمه

2) مواد و روش‌ها

الف) پلت‌فرم PULP

ب) تشخیص حمله در PULP

3)نتایج تجربی

الف) ارزیابی عملکرد و شاخص‌های انرژی

4) نتیجه گیری و کارهای آینده

چکیده

ساختارهای پردازشی با انرژی بهینه، عناصر کلیدی برای دستگاه های پزشکی پوشیدنی و کاشتنی هستند. در طراحی‌های جدید رابط مغز و ماشین ، پردازش سیگنالهای عصبی تبدیل به چالش شده است. یک پلتفرم چند هستهای بسیار با صرفه که برای پردازش فوق‌العاده کم‌توان طراحی شده، اجازه ‌می‌دهد که الگوریتم‌های پیچیده سازگار با شرایط زمان واقعی، به راحتی اجرا شوند. این مقاله به توصیف نحوه پیاده‌سازی و بهینه‌سازی الگوریتم تشخیص حملات می‌پردازد که این الگوریتم بر روی یک مدار مجتمع دیجیتال چند‌هسته ای برای کاربردهای با صرفه توان، طراحی شده است. ساختار پیشنهادی می‌تواند پردازش‌ موازی فوق‌کم‌توان برای تشخیص حمله‌های صرعی در 23 الکترود را با توان مصرفی 1 میلی وات پیاده‌سازی کند. اگرچه این ساختار نسبت به نمونه‌های تجاری از نظر عملکرد بیش از 100برابر و از نظر توان مصرفی بیش از 80 برابر بهتر عمل می‌کند اما هنوز هم با بهبود تطبیق‌پذیری و مقیاسبندی، می‌توان راه را برای پیشرفت سیستم‌های هوشمند کاشتنی و پوشیدنی گسترش داد.

4) نتیجه گیری و کارهای آینده

طرح پیشنهادی، نشان‌دهنده‌ی تاثیر ساختار PULP در طراحی یک سیستم زمان واقعی برای پردازش‌های عصبی است. ترکیب عملیات نزدیک به آستانه با ساختار چند هسته‌ای موازی PULP، باعث شده نتایج تجاری از لحاظ بازده عملکرد در حدود 10 تا 100 برابر و از لحاظ بهره‌وری انرژی تا 80 برابر بهبود داشته باشند. علاوه‌براین همانطور که در روش پیاده‌سازیASIC گفته شد، پلت‌فرم پیشنهادی، انعطاف‌پذیری معمول پردازنده‌های قابل برنامه‌ریزی را حفظ می‌کند که این برای اجرای طرح پردازش عصبی چند منظوره و مقیاس‌پذیر مناسب است. هدف پژوهش‌های آتی، تنظیم ساختار PULP از طریق بهینه‌سازی خاص سخت افزار در طراحی ISA است تا پردازش سیگنال کم توان داشته باشد و همچنین الگوریتمی تهاجمی‌تر طراحی شود تا سرعت موازی‌سازی در الگوریتم‌های محاسبات عصبی بهبود یابد و در نسل بعدی سیستم‌های محاسباتی عصبی انرژی با بهره بالا داشته باشد.

Abstract

Energy efficient processing architectures represent key elements for wearable and implantable medical devices. Signal processing of neural data is a challenge in new designs of Brain Machine Interfaces (BMI). A highly efficient multi-core platform, designed for ultra low power processing allows the execution of complex algorithms complying with real time requirements. This paper describes the implementation and optimization of a seizure detection algorithm on a multi-core digital integrated circuit designed for energy efficient applications. The proposed architecture is able to implement ultra low power parallel processing seizure detection on 23 electrodes within a power budget of 1 mW, outperforming implementations on commercial MCUs by up to 100 times in terms of performance and up to 80 times in terms of energy efficiency still providing high versatility and scalability, opening the way to the development of efficient implantable and wearable smart systems.

V- CONCLUSION AND FUTURE WORK

The proposed work shows the strong impact of the PULP architecture in the design of a real time embedded system for neural processing. The combination of the near threshold operation with the parallel multi-core architecture of PULP outperforms commercial solution by 10-100 times in terms of performance and up to 80 times in terms of energy efficiency. Moreover, as opposed to ASIC solutions, the proposed platform maintains the flexibility typical of programmable processors suitable to implement a versatile and scalable neural processing framework. Future works target the tuning of the PULP architecture with dedicated HW optimization in the ISA design for low power signal processing and also more aggressive algorithmic strategies to improve the parallel speedup in neural computing algorithms and the energy efficiency of next generation neural computing systems.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تشخیص قابلیت حمله صرعی بر اساس سیگنال EEG در ساختار چند هسته ای فوق کم توان

Scalable EEG Seizure Detection on an Ultra Low Power Multi-Core Architecture