[논문 리뷰] 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)|2019. 05. 08.

Advanced Memory and Neural Computing참고 문헌 43인용 수 7

한 줄 요약

이 논문은 스파iking 신경망(SNNs)을 사용하여 스파이크 타이밍 의존 학습(STDP) 및 보상 조절된 STDP(R-STDP)를 적용한 실시간, 초저전력 심전도(ECG) 분류 시스템을 제안한다. 최적화된 학습 규칙을 사용해 스파이크 도메인에서 SNN을 훈련시킴으로써, MIT-BIH 부정맥 데이터베이스에서 97.9%의 정확도를 달성하면서도 심장 박동당 전용 에너지 소비가 1.78 μJ에 불과하여 이전의 신경망 기반 접근 방식보다 크게 낮아진다.

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.

연구 동기 및 목표

• 초저전력 웨어러블 장치에서 실시간, 현장 내 ECG 분류의 과제를 해결한다.
• 지속적인 ECG 모니터링에서 전통적인 심층 신경망의 높은 에너지 소비 문제를 해결한다.
• 현장 내 처리를 통해 기밀성 보장을 강화하고 무선 연결 의존도를 줄인다.
• SNN의 학습 규칙(STDP 및 R-STDP)을 최적화하여 ECG 분류 작업에서의 성능 향상을 도모한다.
• 배터리 구동 웨어러블 장치에 적합한 최소한의 에너지 소비로 높은 분류 정확도를 달성한다.

제안 방법

• 실시간 처리를 위해 시간 윈도우가 겹치는 방식으로 ECG 신호를 스파이크 트레인으로 인코딩한다.
• 입력 스파이크 패턴을 정규화하기 위해 가우시안 레이어를 사용하고, 중복된 활동을 억제하기 위해 억제성 레이어를 적용한다.
• 패턴 추출 레이어에서 STDP를 적용하여, 시냅스 가중치를 사전 및 사후 신호 발생 시간에 따라 갱신한다.
• 최종 분류 레이어에서 R-STDP를 활용하여, 스파이크 타이밍과 외부 보상/벌점 신호를 이용해 가중치를 조정한다.
• 학습 규칙을 최적화하여 가중치를 극단치(0 또는 최대값)로 안정화시켜 분류의 강건성을 향상시킨다.
• 레이어를 순차적으로 훈련: 먼저 가우시안 레이어, 그 다음 STDP 및 억제성 레이어를 함께, 마지막으로 R-STDP 레이어를 훈련한다.

실험 결과

연구 질문

• RQ1 STDP 및 R-STDP를 적용한 SNN이 초저전력 소비를 유지하면서도 높은 ECG 분류 정확도를 달성할 수 있는가?
• RQ2 제안된 SNN 기반 접근 방식은 전통적인 딥러닝 모델과 비교해 정확도 및 에너지 효율성 측면에서 어떻게 다른가?
• RQ3 최적화된 STDP 및 R-STDP 학습 규칙이 ECG 신호의 특징 추출 및 분류 성능 향상에 기여하는가?
• RQ4 제안된 시스템은 계산 자원이 제한된 초저전력 웨어러블 장치에서 실시간으로 작동할 수 있는가?
• RQ5 현장 내 ECG 분류가 기밀 위험을 줄이고 클라우드 또는 스마트폰 처리에 대한 의존도를 감소시킬 수 있는가?

주요 결과

• 제안된 SNN 기반 ECG 분류기는 MIT-BIH 부정맥 데이터베이스에서 97.9%의 정확도를 달성하여 대부분의 이전 SNN 기반 방법을 능가한다.
• 시스템은 심장 박동당 에너지 소비가 단지 1.78 μJ에 불과하여 이전의 신경망 기반 ECG 분류 솔루션보다 에너지 소비가 크게 감소했다.
• 최대 분당 300회까지의 실시간 동작을 지원하여 웨어러블 장치에서 지속적인 모니터링이 가능하다.
• 보상/벌점 신호를 활용한 R-STDP는 최종 레이어의 가중치를 극단치로 안정화시켜 분류 신뢰도를 향상시킨다.
• 가우시안 레이어 → STDP/억제성 레이어 → R-STDP 레이어의 순차적 훈련 파이프라인은 안정적이고 정확한 특징 학습을 보장한다.
• 외부 처리가 필요 없어져 완전히 현장 내에서 기밀 보장을 확보한 ECG 모니터링이 가능해진다.