A Tiny Transformer for Low-Power Arrhythmia Classification on Microcontrollers

要約

心血管疾患を継続的かつリアルタイムでモニタリングするためのウェアラブル システムは広く普及しており、診断と治療における貴重な資産となっています。
心電図 (ECG) 信号のリアルタイム分析と不整脈などの心臓の状態の検出に対する有望なアプローチは、トランスフォーマー機械学習モデルで表されます。
トランスフォーマーは時系列を分類するための強力なモデルですが、ウェアラブル領域で効率的に実装するには、適切な精度と適切な複雑さを組み合わせるという大きな設計課題が生じます。
この研究では、ECG 信号を分析するための小さなトランス モデルを紹介します。これは、わずか 6,000 個のパラメータを必要とし、8 ビットを考慮して評価された、MIT-BIH 不整脈データベースからの 5 つの最も一般的な不整脈クラスの認識において 98.97% の精度に達します。
低電力マイクロコントローラーベースのデバイスでの効率的な実行に必要な整数推論。
私たちは、電極運動アーティファクトノイズに対する堅牢性を向上させるための拡張ベースのトレーニングアプローチを検討し、その結果、98.36% の精度という最悪の場合の展開後のパフォーマンス評価が得られました。
ウェアラブル監視ソリューションへの適性は、推論実行に 4.28 ミリ秒と 0.09 mJ を必要とする並列超低電力 GAP9 プロセッサへの効率的な展開によって最終的に実証されています。

要約(オリジナル)

Wearable systems for the continuous and real-time monitoring of cardiovascular diseases are becoming widespread and valuable assets in diagnosis and therapy. A promising approach for real-time analysis of the electrocardiographic (ECG) signal and the detection of heart conditions, such as arrhythmia, is represented by the transformer machine learning model. Transformers are powerful models for the classification of time series, although efficient implementation in the wearable domain raises significant design challenges, to combine adequate accuracy and a suitable complexity. In this work, we present a tiny transformer model for the analysis of the ECG signal, requiring only 6k parameters and reaching 98.97% accuracy in the recognition of the 5 most common arrhythmia classes from the MIT-BIH Arrhythmia database, assessed considering 8-bit integer inference as required for efficient execution on low-power microcontroller-based devices. We explored an augmentation-based training approach for improving the robustness against electrode motion artifacts noise, resulting in a worst-case post-deployment performance assessment of 98.36% accuracy. Suitability for wearable monitoring solutions is finally demonstrated through efficient deployment on the parallel ultra-low-power GAP9 processor, where inference execution requires 4.28ms and 0.09mJ.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google