آشکارسازی مقیاس پذیر حمله صرعی بر اساس سیگنال الکتروانسفالوگراف در ساختار چند هسته ای فوق کم توان
چکیده
ساختارهای پردازشی با انرژی بهینه، عناصر کلیدی برای دستگاه های پزشکی پوشیدنی و کاشتنی هستند. در طراحی‌های جدید رابط مغز و ماشین ، پردازش سیگنالهای عصبی تبدیل به چالش شده است. یک پلتفرم چند هستهای بسیار با صرفه که برای پردازش فوق‌العاده کم‌توان طراحی شده، اجازه می‌دهد که الگوریتم‌های پیچیده سازگار با شرایط زمان واقعی، به راحتی اجرا شوند. این مقاله به توصیف نحوه پیاده‌سازی و بهینه‌سازی الگوریتم تشخیص حملات می‌پردازد که این الگوریتم بر روی یک مدار مجتمع دیجیتال چند‌هسته ای برای کاربردهای با صرفه توان، طراحی شده است. ساختار پیشنهادی می‌تواند پردازش موازی فوق‌کم‌توان برای تشخیص حمله‌های صرعی در 23 الکترود را با توان مصرفی 1 میلی وات پیاده‌سازی کند. اگرچه این ساختار نسبت به نمونه‌های تجاری از نظر عملکرد بیش از 100برابر و از نظر توان مصرفی بیش از 80 برابر بهتر عمل می‌کند اما هنوز هم با بهبود تطبیق‌پذیری و مقیاسبندی، می‌توان راه را برای پیشرفت سیستمهای هوشمند کاشتنی و پوشیدنی گسترش داد.
1) مقدمه
پیشرفت‌های اخیر در رابط ماشین مغز، راه را برای ایجاد سیستمهای درمانی بیماری‌های مختلف عصبی هموار کرده است. در میان این مطالعات، درمان صرع تاثیر بیشتری بر سلامت عمومی دارد، زیرا این اختلال تقریبا 1٪ از جمعیت جهان را تحت تاثیر قرار داده و می تواند منجر به آسیب‌های شدید و مختل‌کننده‌ای شود. در صرع، الگوی طبیعی فعالیت‌های عصبی، درهم ریخته شده و باعث افسردگی، تشنج و یا از دست دادن هوشیاری می‌شود.با اندازه‌گیری بالینی فعالیت الکتریکی مغز از طریق نوار الکتروانسفالوگرافی و براساس نظر متخصص مغز و اعصاب، می‌توان تغییرات خاص در الگوهای دامنه و فرکانس سیگنال عصبی که منجر به حمله صرعی می‌شود را تشخیص داد. درمان این بیماری عمدتا به صورت دارو یا جراحی است. متأسفانه در حدود 30٪ از افراد صرعی، نمی‌توان با دارو یا روش‌های جراحی حمله را کنترل کرد؛ اما نسبت به نورومدولاسیون که یک روش مبتنی بر تحریک الکتریکی مستقیم بافت مغزی است، واکنش نشان می‌دهند. در این سناریو، توسعه سیستمهای نورومدولاسیون که اتوماتیک به صورت حلقه بسته عمل می‌کنند، می‌تواند به نسبت مداخلات انسان، زمان واکنش را به میزان بسیار بیشتری کاهش دهد. بعلاوه سیستم حلقه‌بسته تنها زمانی پالس می‌فرستد که حمله تشخیص داده شده، بنابراین نسبت به نورومدولاتورهای نسل اول که به طور مداوم و ثابت تحریک را اعمال می‌کردند، آسیب‌پذیری کمتری دارد.
Abstract
Energy efficient processing architectures represent key elements for wearable and implantable medical devices. Signal processing of neural data is a challenge in new designs of Brain Machine Interfaces (BMI). A highly efficient multi-core platform, designed for ultra low power processing allows the execution of complex algorithms complying with real time requirements. This paper describes the implementation and optimization of a seizure detection algorithm on a multi-core digital integrated circuit designed for energy efficient applications. The proposed architecture is able to implement ultra low power parallel processing seizure detection on 23 electrodes within a power budget of 1 mW, outperforming implementations on commercial MCUs by up to 100 times in terms of performance and up to 80 times in terms of energy efficiency still providing high versatility and scalability, opening the way to the development of efficient implantable and wearable smart systems.
I. INTRODUCTION
Recent advancements in Brain Machine Interfaces (BMI) are paving the way to systems for treating various neural diseases. Among these studies, treating epilepsy has a great impact on public health, since this neural disorder affects approximately 1% of the world population and can result in severe and disabling pathologies. In epilepsy, the normal pattern of neuronal activity becomes disturbed, causing depression, convulsions or loss of consciousness. The clinical measurement of the brain electrical activity through the analysis of the EEG traces, and the expertise of the neurologist can diagnose the epileptic seizure recognizing certain changes in patterns of amplitude and frequency of the neural signal. The therapeutic approach is mainly pharmacological or surgical. Unfortunately, for about 30% of epileptic subjects, seizures cannot be controlled with drugs delivery nor surgical techniques; but react to neuromodulation [1], a technique based on direct electrical stimulation of the brain tissue. In this scenario, the development of automatic closed loop neuromodulation systems can reduce the time of reaction many orders of magnitude more than human intervention. Furthermore, a closedloop system provides stimulation only when triggered by seizure detection, hence it is less traumatic wrt first generations of neuromodulators, which just deliver continuous, constant stimulation [2].
چکیده
1) مقدمه
2) مواد و روش‌ها
الف) پلتفرم PULP
ب) تشخیص حمله در PULP
3) نتایج تجربی
الف) ارزیابی عملکرد و شاخص‌های انرژی
4) نتیجه گیری و کارهای آینده
Abstract
I. INTRODUCTION
II. MATERIALS AND METHODS
A. PULP platform
B. Seizure Detection On PULP
III. EXPERIMENTAL RESULTS
A. Evaluation of Performance and Energy Metrics
IV. CONCLUSION AND FUTURE WORK
- اصل مقاله انگلیسی با فرمت ورد (word) با قابلیت ویرایش
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه