TTP, düşük güçte çalışırken yapay zeka ile gerçek zamanlı EKG verilerini sınıflandırıp olası aritmiler açısından değerlendirebilen ve kalp pillerinde kullanıma uygun hale getiren bir çerçeve geliştirdi.
Kalp aritmilerine TTP'nin çözümü
Yapay zekanın geleneksel dağıtımı çok fazla güç tüketiyor ve implante cihazlara uygulanması zor, ancak teknoloji implant üreticilerine daha spesifik kapalı döngü tedavileri geliştirmenin bir yolunu sunuyor.
Tıbbi çözüm sağlayıcısı TTP, kalbin düzensiz atış sınıflandırması için düşük güçlü bir yapay zeka işlemcisini kapalı devre bir sisteme dahil ederek üç zorluğu belirledi ve çözdü.
Kalıpları tanımak, yapay zekanın temel yeteneği olarak kabul edilir. İmplante defibrilatörler gibi kapalı devre tedavilerde kullanıldığında vücuttaki sinir veya elektriksel aktivitenin daha güvenilir bir şekilde sınıflandırılmasını sağlar. Bu, sistemin tedavi olarak gerekli elektrik stimülasyonunu sağlamasına olanak tanır.
Oysa geleneksel bir yapay zeka sisteminin kullanılması, implante edilmiş bir cihazın sınırlı pil gücünü zorlayacaktır. Diğer bir sorun ise geleneksel sistemlerin internet bağlantısı gerektirmesidir; bu da bir sorun olabilir ve yaşamın sürdürülmesi için hayati öneme sahip cihazlar için güvenilemez.
Şirket, sinir ağı hızlandırıcısına sahip kullanıma hazır bir mikro denetleyici kullandı, ancak gerçek zamanlı EKG verilerini, implante edilebilir kalp pili cihazında mevcut güç kapasitesinde sınıflandırabilen çözümlerini geliştirmek için, düşük güç gereksinimleri olan türünün ilk örneği oldu. .
İmplante edilebilir tedaviler için düşük güçlü yapay zekanın geliştirilmesi
Şirket, donanım tasarımının yanı sıra modellerin sinyal sınıflandırması için eğitilme şeklini de değiştirdiklerini söyledi. Modeli, EKG verilerini daha düşük bir çözünürlükte sınıflandırmak için kuantizasyona duyarlı eğitim adı verilen bir teknikle eğittiler. Bu, şirketin modelin performansını hızlandırıcının 8 bit çözünürlüğünde korumasına yardımcı oldu. Genellikle masaüstü ve bulut yapay zeka sistemleri 32 bit ila 64 bit çözünürlük gerektirir.
EKG verileri genellikle kişiden kişiye farklılık, elektrik değişimi ve kalp aktivitesi gibi birçok farklı faktörden etkilenir. Düşük güçlü uç cihazların sınırlı çözünürlüğünde verileri dijital olarak ölçeklendirmek ve kabul edilebilir sınıflandırma performansı elde etmek kolay değildir. Bu nedenle, gerekli sınıflandırma için TTP, analog ön ucu, tam dinamik aralıktan yararlanabilecek ve sinyalin dijitalleştirilmesinden önce kazancı değiştirebilecek şekilde tasarladı.
TTP'deki araştırmacılar ayrıca güç gereksinimlerini azaltmak için sistemin zamanlamasını da değiştirdi. Uç cihazlar çoğunlukla gerçekleştirilmesi gerekmediğinde kapalı tutulur, bu nedenle örnekleme ve sinyal sınıflandırmasının farklı zamanlarda çalıştırılması gerekecektir.
Etiketlenen veri kümeleri de genellikle zamana göre hizalanmıştır, çünkü veri işleme ve örnekleme belirtilmemiş zamanlarda başlarsa bu, yanlış değerlendirmelere veya pillerin gereksiz yere tükenmesine neden olabilir ve bazı durumlarda veriler de atılabilir. Bu nedenle, daha iyi verimlilik ve değerlendirme elde etmek için veriler öncelikle analog bir süreçte ön işleme tabi tutulur.
TTP, tıp alanında birçok çözüm üzerinde çalışıyor ve daha fazla kapalı döngü tedavi sisteminin düşük güçlü yapay zekadan yararlanmasını bekliyor.
