Characterizing Accuracy Trade-offs of EEG Applications on Embedded HMPs

要約

脳波検査 (EEG) 記録は、バッテリー駆動のウェアラブル デバイスを使用して分析され、脳の活動と神経障害を監視します。
これらのアプリケーションでは、実現可能な結果を​​生成するために、長時間にわたる継続的な処理が必要です。
ただし、ウェアラブル デバイスは、実際の使用例ではサイズが小さいため、エネルギーと計算リソースが限られています。
組み込みのヘテロジニアス マルチコア プラットフォーム (HMP) は、EEG アプリケーションの限られたエネルギー バジェット内でより優れたパフォーマンスを提供できます。
EEG アプリケーション パイプラインのエラー回復力をさらに活用して、HMP のパフォーマンスとエネルギー利得を最大化できます。
ただし、組み込み HMP の近似を規律正しく調整するには、精度、パフォーマンス、電力のトレードオフ空間を徹底的に調査する必要があります。
この研究では、Odroid XU3 プラットフォームの実世界の組み込み HMP テストベッド上で、てんかん発作検出、睡眠段階分類、ストレス検出を含む 3 つの EEG アプリケーションのエラー耐性を特徴付けます。
組み込みプラットフォーム上のEEGアプリケーションにおける近似の規律ある調整についての洞察を提供するために、さまざまな近似、出力、および性能レベルでのEEGアプリケーションの電力、性能、精度のトレードオフの組み合わせ評価を提示します。

要約(オリジナル)

Electroencephalography (EEG) recordings are analyzed using battery-powered wearable devices to monitor brain activities and neurological disorders. These applications require long and continuous processing to generate feasible results. However, wearable devices are constrained with limited energy and computation resources, owing to their small sizes for practical use cases. Embedded heterogeneous multi-core platforms (HMPs) can provide better performance within limited energy budgets for EEG applications. Error resilience of the EEG application pipeline can be exploited further to maximize the performance and energy gains with HMPs. However, disciplined tuning of approximation on embedded HMPs requires a thorough exploration of the accuracy-performance-power trade-off space. In this work, we characterize the error resilience of three EEG applications, including Epileptic Seizure Detection, Sleep Stage Classification, and Stress Detection on the real-world embedded HMP test-bed of the Odroid XU3 platform. We present a combinatorial evaluation of power-performance-accuracy trade-offs of EEG applications at different approximation, power, and performance levels to provide insights into the disciplined tuning of approximation in EEG applications on embedded platforms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google