TTP opracowało platformę, która jest w stanie klasyfikować dane EKG w czasie rzeczywistym i oceniać je pod kątem potencjalnych arytmii za pomocą sztucznej inteligencji podczas pracy przy małej mocy, co czyni je odpowiednimi do stosowania w rozrusznikach serca.

Rozwiązanie TTP na arytmię serca

Konwencjonalne wdrażanie sztucznej inteligencji jest zbyt energochłonne i trudne do zastosowania w wszczepionych urządzeniach, ale technologia ta umożliwia twórcom implantów opracowanie bardziej specyficznych terapii w pętli zamkniętej.

Firma TTP, dostawca rozwiązań medycznych, zidentyfikowała i rozwiązała trzy wyzwania, włączając procesor AI o niskim poborze mocy do systemu z zamkniętą pętlą do klasyfikacji nieregularnego rytmu serca.

Rozpoznawanie wzorców jest uważane za podstawową zdolność sztucznej inteligencji. A gdy jest stosowany w terapiach w pętli zamkniętej, takich jak wszczepione defibrylatory, zapewnia bardziej wiarygodną klasyfikację aktywności nerwowej lub elektrycznej w organizmie. Dzięki temu system może zapewnić wymaganą stymulację elektryczną w ramach zabiegu.

Natomiast korzystanie z konwencjonalnego systemu sztucznej inteligencji obciąży ograniczoną moc baterii wszczepionego urządzenia. Innym problemem jest to, że konwencjonalne systemy wymagają połączenia z Internetem, co może stanowić problem i nie można na nim polegać w przypadku urządzeń kluczowych dla podtrzymania życia.

Firma zastosowała gotowy mikrokontroler z akceleratorem sieci neuronowej, ale była pierwszą tego typu firmą o niskim zapotrzebowaniu na energię i opracowała rozwiązanie, które może klasyfikować dane EKG w czasie rzeczywistym przy mocy dostępnej w wszczepialnym rozruszniku serca .

Opracowywanie sztucznej inteligencji o małej mocy na potrzeby terapii wszczepialnych

Firma stwierdziła, że ​​zmieniła sposób uczenia modeli pod kątem klasyfikacji sygnałów, wraz z konstrukcją sprzętu. Przeszkolili model za pomocą techniki zwanej szkoleniem uwzględniającym kwantyzację, aby klasyfikować dane EKG w niższej rozdzielczości. Pomogło to firmie utrzymać wydajność modelu przy 8-bitowej rozdzielczości akceleratora. Zwykle systemy AI na komputery stacjonarne i w chmurze wymagają rozdzielczości od 32 do 64 bitów.

Na dane EKG często wpływa wiele różnych czynników, na przykład zmienność osobnicza, zmienność elektryczna i aktywność serca. Nie jest łatwo cyfrowo skalować dane przy ograniczonej rozdzielczości urządzeń brzegowych małej mocy i uzyskać akceptowalną wydajność klasyfikacji. Dlatego dla potrzebnej klasyfikacji TTP zaprojektowało analogowy front-end w taki sposób, aby mógł wykorzystać pełny zakres dynamiki i zmienić wzmocnienie przed digitalizacją sygnału.

Naukowcy z TTP zmienili także taktowanie systemu, aby zmniejszyć zapotrzebowanie na energię. Urządzenia brzegowe są przeważnie wyłączone, gdy nie są potrzebne do działania, więc próbkowanie i klasyfikacja sygnału będą musiały być przeprowadzane w różnych momentach.

Oznaczone zbiory danych są również zwykle wyrównane czasowo, ponieważ jeśli przetwarzanie danych i pobieranie próbek rozpoczynają się w nieokreślonym czasie, może to skutkować błędnymi ocenami lub niepotrzebnym wyczerpaniem baterii, a w niektórych przypadkach dane również mogą zostać odrzucone. Z tego powodu dane są najpierw wstępnie przetwarzane w procesie analogowym, aby osiągnąć lepszą wydajność i ocenę.

TTP pracuje nad wieloma rozwiązaniami w dziedzinie medycyny i oczekuje, że coraz więcej systemów terapii w pętli zamkniętej będzie wykorzystywać sztuczną inteligencję o małej mocy.