[論文レビュー] Ultra Low-Power and Real-time ECG Classification Based on STDP and R-STDP Neural Networks for Wearable Devices

Alireza Amirshahi, Matin Hashemi|arXiv (Cornell University)|May 8, 2019

Advanced Memory and Neural Computing参考文献 43被引用数 7

ひとこと要約

本論文は、スパイク時間依存 Plasticity (STDP) および報酬制御STDP (R-STDP) を用いたスパイク神経ネットワーク (SNN) を用いて、ウェアラブルデバイス向けにリアルタイムで超低消費電力な心電図 (ECG) 分類システムを提案する。最適化された学習ルールを用いてスパイクドメインでSNNを訓練することで、MIT-BIH不整脈データベース上で97.9%の精度を達成するとともに、1ビートあたり1.78 μJの消費電力に抑えることができ、従来のニューラルネットワークベースの手法と比べて顕著に低いエネルギー消費を実現した。

ABSTRACT

This paper presents a novel ECG classification algorithm for real-time cardiac monitoring on ultra low-power wearable devices. The proposed solution is based on spiking neural networks which are the third generation of neural networks. In specific, we employ spike-timing dependent plasticity (STDP), and reward-modulated STDP (R-STDP), in which the model weights are trained according to the timings of spike signals, and reward or punishment signals. Experiments show that the proposed solution is suitable for real-time operation, achieves comparable accuracy with respect to previous methods, and more importantly, its energy consumption is significantly smaller than previous neural network based solutions.

研究の動機と目的

• 超低消費電力ウェアラブルデバイスにおけるリアルタイムでデバイス内でのECG分類の課題に対処すること。
• 連続的ECGモニタリングにおける従来のディープニューラルネットワークの高いエネルギー消費を克服すること。
• プライバシーを保護し、無線接続への依存を減らすために、デバイス内での処理を可能にすること。
• SNNの学習ルール（STDPおよびR-STDP）を最適化し、ECG分類タスクにおける性能を向上させること。
• バッテリー駆動のウェアラブルデバイスに適した最小限のエネルギー消費で高い分類精度を達成すること。

提案手法

• リアルタイム処理を可能にするために、重複する時間窓を用いてECG信号をスパイクトレインに変換する。
• 入力スパイクパターンの正規化にガウス層を用い、冗長な活動を抑制するための抑制性層を導入する。
• パターン抽出層でSTDPを適用し、シナプスの重みを事前および事後のスパイクのタイミングに基づいて更新する。
• 最終分類層でR-STDPを採用し、スパイクタイミングと外部の報酬／罰則信号を用いて重みを調整する。
• 重みを極端な値（0または最大値）に安定化させるように学習ルールを最適化し、分類の頑健性を向上させる。
• 層を順次訓練する：まずガウス層、次にSTDPおよび抑制性層を併せて、最後にR-STDP層を処理する。

実験結果

リサーチクエスチョン

• RQ1 STDPおよびR-STDPを用いたSNNは、超低消費電力を維持しながら高いECG分類精度を達成できるか？
• RQ2 提案されたSNNベースのアプローチは、従来のディープラーニングモデルと比較して、精度およびエネルギー効率の面で優れているか？
• RQ3 最適化されたSTDPおよびR-STDP学習ルールは、ECG信号における特徴抽出および分類を向上させられるか？
• RQ4 提案されたシステムは、計算リソースが限られた超低消費電力ウェアラブルデバイス上でリアルタイム動作が可能か？
• RQ5 デバイス内でのECG分類は、プライバシーのリスクを低減し、クラウドやスマートフォン処理への依存を減らせるか？

主な発見

• 提案されたSNNベースのECG分類器は、MIT-BIH不整脈データベースで97.9%の精度を達成し、大多数の先行SNNベースの手法を上回った。
• システムのエネルギー消費は1ビートあたりわずか1.78 μJであり、従来のニューラルネットワークベースのECG分類ソリューションと比較して顕著な低減が達成された。
• 本手法は、最大300ビート/分までリアルタイムで動作可能であり、ウェアラブルデバイスでの連続的モニタリングを可能にした。
• 報酬／罰則信号を用いたR-STDPの導入により、最終層の重みが極端な値に安定化し、分類の信頼性が向上した。
• ガウス層、STDP／抑制性層、その後にR-STDP層という順次訓練パイプラインにより、安定的かつ高精度な特徴学習が実現した。
• 外部処理の必要がなくなり、完全にデバイス内でのプライバシー保護型ECGモニタリングが可能になった。