[논문 리뷰] EpiDeNet: An Energy-Efficient Approach to Seizure Detection for Embedded Systems

Thorir Mar Ingolfsson, Upasana Chakraborty외 7명|arXiv (Cornell University)|2023. 01. 01.

EEG and Brain-Computer Interfaces인용 수 1

한 줄 요약

이 논문은 저전력 임베디드 시스템에서 에너지 효율적이고 실시간으로 간 seizure 검출을 위한 경량 딥러닝 모델인 EPIDENET을 제안한다. SSWCE 손실 함수를 도입하여 PEDESITE 데이터셋에서 단지 네 개의 EEG 채널로도 92.00%의 민감도와 시간당 1.18개의 가짜 경고를 기록했으며, GAP9에서 추론당 에너지 소비는 0.051 mJ에 불과하여 ARM 기반 솔루션 대비 에너지 효율성에서 160배 향상되었다.

ABSTRACT

Epilepsy is a prevalent neurological disorder that affects millions of individuals globally, and continuous monitoring coupled with automated seizure detection appears as a necessity for effective patient treatment. To enable long-term care in daily-life conditions, comfortable and smart wearable devices with long battery life are required, which in turn set the demand for resource-constrained and energy-efficient computing solutions. In this context, the development of machine learning algorithms for seizure detection faces the challenge of heavily imbalanced datasets. This paper introduces EpiDeNet, a new lightweight seizure detection network, and Sensitivity-Specificity Weighted Cross-Entropy (SSWCE), a new loss function that incorporates sensitivity and specificity, to address the challenge of heavily unbalanced datasets. The proposed EpiDeNet-SSWCE approach demonstrates the successful detection of 91.16% and 92.00% seizure events on two different datasets (CHB-MIT and PEDESITE, respectively), with only four EEG channels. A three-window majority voting-based smoothing scheme combined with the SSWCE loss achieves 3x reduction of false positives to 1.18 FP/h. EpiDeNet is well suited for implementation on low-power embedded platforms, and we evaluate its performance on two ARM Cortex-based platforms (M4F/M7) and two parallel ultra-low power (PULP) systems (GAP8, GAP9). The most efficient implementation (GAP9) achieves an energy efficiency of 40 GMAC/s/W, with an energy consumption per inference of only 0.051 mJ at high performance (726.46 MMAC/s), outperforming the best ARM Cortex-based solutions by approximately 160x in energy efficiency. The EpiDeNet-SSWCE method demonstrates effective and accurate seizure detection performance on heavily imbalanced datasets, while being suited for implementation on energy-constrained platforms.

연구 동기 및 목표

• 자원 제약이 있는 웨어러블 EEG 기기에서 실시간 간 발작 검출을 위한 에너지 효율적이고 경량의 딥러닝 모델 개발.
• 간 발작이 정상 활동에 비해 희귀한 경우가 많은 극도로 불균형한 EEG 데이터셋 문제 해결.
• 민감도와 특이도 간의 트레이드오프 최적화를 통해 장기 모니터링에서 가짜 경고를 줄이기 위해 높은 특이도를 우선시.
• GAP8/GAP9 및 ARM Cortex-M MCU와 같은 초저전력 임베디드 플랫폼에 최소한의 에너지 소비로 구현 가능하도록 설계.
• 개인화된 모델 훈련과 아티팩트 인식 기반 가짜 경고 감소를 통한 주관별 성능 향상 실현.

제안 방법

• 4개의 입력 채널만을 사용하는 경량 1D-CNN 기반 신경망 아키텍처인 EPIDENET을 제안하여 저지연 및 저에너지 추론에 최적화.
• 민감도와 특이도를 동적으로 균형 잡는 SSWCE(Sensitivity-Specificity Weighted Cross-Entropy)라는 새로운 손실 함수 도입. 이는 두 지표 기반의 클래스 가중치를 사용해 훈련 중 균형을 조정.
• 예측을 부드럽게 하고 가짜 경고를 줄이기 위해 3창자료 다수결 정책을 활용. 민감도를 훼손하지 않으면서도 성능 향상.
• Quantlab 및 TFLite를 활용한 훈련 후 양자화를 통해 ARM Cortex-M 및 PULP 기반 플랫폼에 대한 모델 압축 구현.
• GAP8, GAP9 및 여러 ARM Cortex-M4F/M7 MCU에 모델를 배포하고, 다양한 플랫폼에서 에너지 효율성과 추론 성능 측정.
• 개인별로 SSWCE 하이퍼파라미터(α 및 β)를 최적화하여 민감도를 극대화하고 가짜 경고를 최소화.

실험 결과

연구 질문

• RQ1 임베디드 플랫폼에서 네 개의 EEG 채널만으로도 경량 딥러닝 모델이 높은 민감도와 특이도를 달성할 수 있는가?
• RQ2 제안된 SSWCE 손실 함수는 EEG 간 발작 검출 데이터셋의 극도로 불균형한 클래스 분포를 효과적으로 다룰 수 있는가?
• RQ3 3창자료 다수결 정책은 진짜 발작 검출 능력을 유지하면서 가짜 경고를 어느 정도 감소시킬 수 있는가?
• RQ4 GAP9와 같은 초저전력 플랫폼에 배포했을 때 EPIDENET의 에너지 효율성은 기존 ARM Cortex-M MCU 대비 얼마나 뛰어난가?
• RQ5 SSWCE를 활용한 주관별 모델 적응은 실제 웨어러블 환경에서 검출 성능 향상과 가짜 경고 감소에 기여하는가?

주요 결과

• 3창자료 다수결 정책과 주관별 SSWCE 최적화를 적용한 후 EPIDENET은 PEDESITE 데이터셋에서 92.00%의 민감도와 시간당 1.18개의 가짜 경고를 기록했다.
• GAP9에서 가장 에너지 효율적인 구현 사례는 40.61 GMAC/s/W의 에너지 효율성과 추론당 0.051 mJ의 에너지 소비를 기록했으며, ARM Cortex-M4F/M7 솔루션 대비 약 160배 높은 에너지 효율성을 확보했다.
• SSWCE 손실 함수는 주관별 최적화를 통해 민감도를 3.64% 향상시키고 가짜 경고율을 시간당 1.18개로 감소시켜 민감도와 특이도 간 균형을 향상시켰다.
• 양자화가 정확도에 거의 영향을 주지 않았으며, 모든 플랫폼에서 민감도와 특이도의 변동 폭이 ±0.1% 이내로 유지되어 압축 후 모델의 강건성을 입증했다.
• GAP9 배포 사례는 726.46 MMAC/s의 처리량과 2.84 ms의 추론 시간을 기록하여 초저전력 하드웨어에서 실시간 운영이 가능했다.
• 프레임워크는 전문가 검토가 필요한 EEG 에포크를 자동으로 선별함으로써 임상 워크플로우에서의 스케일러블한 데이터 감소를 가능하게 했다.