guest ::
Neuro-inspired hardware acceleration for efficient biomedical signal processing in mobile sensing devices
2025
Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2025
Veröffentlicht auf dem Publikationsserver der RWTH Aachen University
Genehmigende Fakultät
Fak06
Hauptberichter/Gutachter
;
Tag der mündlichen Prüfung/Habilitation
2025-03-20
Online
DOI: 10.18154/RWTH-2025-05740
URL: http://publications.rwth-aachen.de/record/1013853/files/1013853.pdf
Einrichtungen
Thematische Einordnung (Klassifikation)
DDC: 621.3
Kurzfassung
Die Verarbeitung biomedizinischer Signale in mobilen Sensorgeräten ermöglicht die kontinuierliche Überwachung von Gesundheitsparametern zur frühzeitigen Erkennung bedrohlicher Herzrhythmusstörungen in der Bevölkerung durch praktische tragbare Geräte wie Smartwatches. Der Entwurf von Verarbeitungsmodulen, die in dieser ressourcenbeschränkten Umgebung realisierbar sind, unterliegt mehreren Einschränkungen für ihren Einsatz im Feld. Eine hohe Qualität der Klassifizierung ist für eine genaue Erkennung erforderlich, um eine Behandlung durch geschultes Personal auszulösen. Eine robuste Klassifizierung, die über die verfügbaren Trainingsdaten hinausgeht, ist notwendig, um die Machbarkeit des Systems für die Allgemeinbevölkerung zu verallgemeinern. Für ein langfristiges Screening nach spärlichen Merkmalen, die auf abnorme Gesundheitszustände hinweisen, ist ein stromsparender Betrieb erforderlich. Die Ko-Optimierung neuroinspirierter Algorithmen auf spezieller Hardware verspricht, alle gewünschten Spezifikationen in einem anwendungsspezifischen Gerät zu erfüllen. In dieser Arbeit werden neuroinspirierte Konzepte für die stromsparende digitale Verarbeitung biomedizinischer Signale untersucht. Künstliche neuronale Netze haben im Bereich des maschinellen Lernens hervorragende Klassifizierungsfähigkeiten gezeigt. Ausgehend von einem künstlichen neuronalen Netz wird eine systematische Methode zur Erforschung des Entwurfsraums angewandt, um einen EKG-Klassifikator zu entwerfen und das System von der Algorithmusebene bis hinunter zum Hardwaredesign für einen extrem niedrigen Stromverbrauch und eine hohe Klassifikationsqualität zu optimieren. Anschließend wird das System um eine Domänengeneralisierungsmethode für eine robuste Klassifizierung über mehrere Datensätze hinweg erweitert. Die Methode ist so konzipiert, dass sie direkt in ein vortrainiertes neuronales Netz integriert werden kann und nur einen geringen Aufwand für Inferenz und Training erfordert. Schließlich wird die zeitliche Kodierung von Informationen in Spikes aus dem menschlichen Gehirn als Datenverarbeitungsmechanismus für eine stromsparende Verarbeitung übernommen. Die untersuchte zeitliche Kodierungsmethode zeigt gleichwertige numerische Werte nach der Verarbeitung mit reduzierten Operationen im Vergleich zur konventionellen Festkomma-Arithmetik. Letztendlich zeigen die neuro-inspirierten Konzepte vielversprechende Richtungen auf, um spezialisierte ANN-Hardwarebeschleuniger für die biomedizinische Signalverarbeitung sowohl für eine stromsparende Verarbeitung als auch für eine robuste, qualitativ hochwertige Klassifizierung zu verbessern.The processing of biomedical signals in mobile sensing devices enables the continuous monitoring of health parameters for early detection of threatening arrhythmia in the population through convenient wearable devices, such as smartwatches. The design of processing modules, which are feasible in this resource-constrained environment, is subject to multiple constraints for their deployment in-field. High quality classification is desired for accurate detection to trigger treatment by trained personnel. Robust classification beyond available training data is necessary to generalize system feasibility across the general population. Low-power operation is necessary for long-termscreening for sparse features indicating abnormal health conditions. The co-optimization of neuro-inspired algorithms on dedicated hardware shows the promise to address all desired specifications in an application-specific device. This work explores neuro-inspired concepts for low-power digital processing of biomedical signals. Artificial neural networks has shown superior classification capabilities in the machine learning domain. Using an artifical neural network as a baseline, a systematic design space exploration methodology is applied to design an ECG classifier and co-optimize the system from the algorithm level down to a hardware design for ultra-low power consumption and high classification quality. Then, the system is extended with a domain generalization method for robust classification across multiple datasets. The method is designed for direct integration into a pre-trained neural network with low overhead regarding inference and training. At last, the temporal coding of information in spikes is adopted from the human brain as a data processing mechanism for low power processing. The investigated temporal coding method shows equivalent numerical values after processing with reduced operations compared to conventional fixed-point arithmetic. In the end, the neuro-inspired concepts show promising directions to improve specialized ANN hardware accelerators for biomedical signal processing both for low-power processing and robust high-quality classification.
OpenAccess: 
PDF
(additional files)
Dokumenttyp
Dissertation / PhD Thesis
Format
online
Sprache
English
Externe Identnummern
HBZ: HT031199505
Interne Identnummern
RWTH-2025-05740
Datensatz-ID: 1013853
Beteiligte Länder
Germany
|
The record appears in these collections: |