TTP hat ein Framework entwickelt, das in der Lage ist, EKG-Daten in Echtzeit zu klassifizieren und sie mithilfe künstlicher Intelligenz auf mögliche Arrhythmien zu untersuchen, während es bei geringer Leistung arbeitet, was es für den Einsatz in Herzschrittmachern geeignet macht.
TTPs Lösung für Herzrhythmusstörungen
Der herkömmliche Einsatz von KI verbraucht viel zu viel Strom und lässt sich nur schwer auf implantierte Geräte anwenden. Die Technologie bietet Implantatherstellern jedoch eine Möglichkeit, spezifischere Closed-Loop-Therapien zu entwickeln.
TTP, ein Anbieter medizinischer Lösungen, hat drei Herausforderungen erkannt und gelöst, indem es einen KI-Prozessor mit geringem Stromverbrauch in ein geschlossenes System zur Klassifizierung unregelmäßiger Herzschläge integriert hat.
Das Erkennen von Mustern gilt als grundlegende Fähigkeit der KI. Und wenn sie in geschlossenen Therapien wie implantierten Defibrillatoren eingesetzt wird, ermöglicht sie eine zuverlässigere Klassifizierung der Nerven- oder elektrischen Aktivität im Körper. Dadurch kann das System die erforderliche elektrische Stimulation als Behandlung bereitstellen.
Die Verwendung eines herkömmlichen KI-Systems hingegen belastet die begrenzte Batterieleistung eines implantierten Geräts. Ein weiteres Problem ist, dass herkömmliche Systeme eine Internetverbindung benötigen, was ein Problem darstellen kann und bei lebenswichtigen Geräten nicht zuverlässig ist.
Das Unternehmen verwendete einen handelsüblichen Mikrocontroller mit einem neuronalen Netzwerkbeschleuniger, war jedoch das erste seiner Art mit geringem Strombedarf, das eine Lösung entwickelte, die EKG-Daten in Echtzeit mit der im implantierbaren Herzschrittmacher verfügbaren Leistungskapazität klassifizieren kann.
Entwicklung stromsparender KI für implantierbare Therapien
Das Unternehmen gab an, dass es die Art und Weise geändert habe, wie die Modelle für die Signalklassifizierung trainiert werden, sowie das Design der Hardware. Sie trainierten das Modell mithilfe einer Technik namens „Quantisierungsbewusstes Training“, um EKG-Daten bei einer niedrigeren Auflösung zu klassifizieren. Dies half dem Unternehmen, die Leistung des Modells bei der 8-Bit-Auflösung des Beschleunigers aufrechtzuerhalten. Normalerweise erfordern Desktop- und Cloud-KI-Systeme eine Auflösung von 32 bis 64 Bit.
EKG-Daten werden häufig von vielen verschiedenen Faktoren beeinflusst, beispielsweise von individuellen Abweichungen, elektrischen Abweichungen und der Herzaktivität. Außerdem ist es nicht einfach, Daten bei der begrenzten Auflösung von Edge-Geräten mit geringem Stromverbrauch digital zu skalieren und dabei eine akzeptable Klassifizierungsleistung zu erzielen. Daher hat TTP für die erforderliche Klassifizierung das analoge Frontend so konzipiert, dass es den vollen Dynamikbereich nutzen und die Verstärkung ändern kann, bevor das Signal digitalisiert wird.
Forscher bei TTP haben außerdem die Taktung des Systems geändert, um den Strombedarf zu senken. Die Edge-Geräte sind größtenteils ausgeschaltet, wenn sie nicht benötigt werden, sodass die Abtastung und Signalklassifizierung zu unterschiedlichen Zeiten erfolgen müssen.
Die gelabelten Datensätze sind zudem meist zeitsynchron, denn wenn die Datenverarbeitung und -abtastung zu nicht festgelegten Zeitpunkten beginnt, kann dies zu falschen Auswertungen oder unnötiger Entladung der Batterien führen und in manchen Fällen können die Daten auch verworfen werden. Aus diesem Grund werden die Daten zunächst in einem analogen Prozess vorverarbeitet, um eine bessere Effizienz und Auswertung zu erreichen.
TTP arbeitet an vielen Lösungen im medizinischen Bereich und erwartet, dass mehr geschlossene Therapiesysteme KI mit geringem Stromverbrauch nutzen werden.