Künstliche Intelligenz Herzrhythmusstörungen und Vorhofflimmern aus EKG-Daten erkennen

Anbieter zum Thema

Sinequa

Insider Research

Fraunhofer-Institut für Integrierte Schaltungen IIS

Wissenschaftler haben einen Chip entwickelt, der EKG-Daten hochgenau auswertet. Wird die Signalverarbeitung nicht benötigt, wird sie schlafen gelegt. Dabei helfen nicht-flüchtige Speicher. Das spart 95 Prozent der Energie ein.

Die Aufgabe lautet: „Welcher Chip schafft es, aus den EKG-Daten Herzrhythmusstörungen und Vorhofflimmern mit mindestens 90 Prozent Genauigkeit zu erkennen und dabei am wenigsten Energie zu verbrauchen?“ Am 11. März wurden die Sieger des Pilotinnovationswettbewerbs „Energieeffiziente KI-Systeme“ des Bundesforschungsministeriums (BMBF) ausgezeichnet. Mit dabei das Fraunhofer-Institut für Integrierte Schaltungen IIS gemeinsam mit der Friedrich-Alexander-Universität Erlangen-Nürnberg.

Eine besonders energieeffiziente Verarbeitung von Zeitreihensignalen – das ist das Thema des Projekts Lo3-ML „Low-Power Low-Memory Low-Cost EKG-Signalanalyse mit ML-Algorithmen“. Im Projekt wurde ein Chip für KI-Berechnungen entwickelt – genauer: für Deep Learning, um bei EKG-Signalen zu analysieren, ob der Patient gesund ist oder unter Herzvorhofflimmern leidet. Der Clou dabei: Ein Teil des Chips, nämlich die Signalverarbeitung, wird gewissermaßen schlafen gelegt, solange diese nicht benötigt wird – das spart bis zu 95 Prozent der Energie. Die entwickelte Schaltung ist für andere Anwendungen nutzbar, bei denen Zeitreihensignale verarbeitet werden. Das ist beispielsweise bei einer Anomaliedetektion oder Predictive Maintenance.

Schlafende Signalverarbeitung spart Energie

Dank des Einsatzes von speziellen systolischen Arrays kann die zur Ablaufsteuerung benötigte Energie stark gedrückt werden. Es werden nur die drei Gewichtswerte -1, 0 und +1 verwendet sowie Normierungen mit Zweierpotenzen, was einerseits einen hochflexiblen Algorithmus erlaubt, mit denen aber andererseits die Gewichtung und Normierung äußerst effizient implementiert werden kann. Der Chip enthält nicht-flüchtige Speicher, sogenannte RRAMs, samt Ultra-Low-Power-Schaltungen zum Schreiben und Lesen, die genau diese ternären Werte (aus drei Grundwerten bestehend) sehr effizient speichern können.

Diese nicht-flüchtigen Speicher erlauben es, die Signalverarbeitung über lange Phasen schlafen zulegen, um keine Energie zu verbrauchen. Bei typischen Signalbandbreiten im (Sub-) kHz-Bereich fließen die Daten viel langsamer in den Chip ein, als sie verarbeitet werden können. Das Aufsammeln dieser Daten durch einen wachen Chip-Teil, während der KI-Algorithmus schläft, gefolgt vom Aufwecken – dank der RRAMs stehen alle Parameter sofort zur Verfügung – und einer kurzen KI-Verarbeitung kann deshalb bis zu 95 Prozent der Energie sparen im Vergleich zu einem Always-On-System.

Zusätzlich zur digitalen und analogen Schaltungsentwicklung und der ASIC-Implementierung wurde viel Wert auf eine Automatisierung des Entwurfsprozesses gelegt, um gemeinsam den KI-Algorithmus und die Schaltung mit Blick auf die Energie zu optimieren. Dazu gehören auch neu entwickelte Tools für Hardware-Aware-Training eines neuronalen Netzes, wie für die verwendete extreme Quantisierung. Dieser Prozess kann auch für andere Probleme und Anwendungen eingesetzt werden.

Dieser Artikel stammt von unserem Partnerportal DeviceMed.

(ID:47313256)