A Wearable Bio-signal Processing System with Ultra-low-power SoC and Collaborative Neural Network Classifier for Low Dimensional Data Communication
A Wearable Bio-signal Processing System with Ultra-low-power SoC and Collaborative Neural Network Classifier for Low Dimensional Data Communication
复制标题
具有超低功耗 SoC 和用于低维数据通信的协作神经网络分类器的可穿戴生物信号处理系统
DOI：
10.1109/embc44109.2020.9176647
复制
发表时间：
2020
期刊：
影响因子：
--
通讯作者：
Gu, Jie
中科院分区：
文献类型：
--
作者：
Wei, Yijie;Cao, Qiankai;Hargrove, Levi;Gu, Jie
提出了一种集成超低功耗协作式神经网络分类器的实时生理信号分类系统。开发的系统包括专门设计的片上系统(SoC)和无线通信模块，该模块将分类结果传输到智能手机应用程序，作为实时培训的方便用户界面。定制的SoC提供超低功耗和低延迟的生理信号感知和分类，如肌电和心电。实现了一种特殊的协作式神经网络分类器，允许多个芯片协作进行分类。因此，只有低维数据通过网络传输，大大减少了跨多个模块的数据通信。基于EMG的手势分类演示表明，与传统的嵌入式解决方案相比，所开发的SoC的功耗降低了1100倍。仅传输来自协作神经网络分类器的低维数据导致多个传感CITE的数据通信和相关能量减少到原来的1/50。
In this paper, a real time physiological signal classification system with an integrated ultra-low power collaborative neural network classifier is presented. The developed system includes a specially designed system-on-chip (SoC) and a wireless communication module that transmits classification results to a smartphone app as a convenient user interface in real-time training. The customized SoC provides ultra-low-power and low-latency sensing and classification on physiological signals, e.g. EMG and ECG. A special collaborative neural network classifier was implemented to allow multiple chips to collaborate on classification. As a result, only low dimensional data is being transmitted over the network, significantly reducing data communication across multiple modules. A demonstration of EMG based gesture classification shows 1100X less power consumption from the developed SoC compared with conventional embedded solutions. The transmission of only low dimensional data from the collaborative neural network classifier leads to a 50X reduction of data communication and associated energy for multiple sensing cites.
登录
查看更多内容
用于可穿戴无线 ECG 传感器的低功耗跨电平 ADC
DOI：
--
发表时间：
2016
期刊：
Annual International Conference of the IEEE Engineering in Medicine and Biology Society
影响因子：
--
作者：
Zhenzhen Tian;R. Ying;Peilin Liu;Guoxing Wang;Y. Lian
通讯作者：
Y. Lian
用于癫痫发作检测的 41.2 nJ/class、32 通道片上分类器
DOI：
--
发表时间：
2018
期刊：
Annual International Conference of the IEEE Engineering in Medicine and Biology Society
影响因子：
--
作者：
Milad Taghavi;B. Haghi;Masoud Farivar;Mahsa Shoaran;A. Emami
通讯作者：
A. Emami
基于卷积神经网络的癫痫类型分类框架
DOI：
10.1109/embc.2019.8857359
发表时间：
2019
期刊：
2019 41st Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC)
影响因子：
--
作者：
S. Raghu;N. Sriraam;Y. Temel;S. V. Rao;P. Kubben
通讯作者：
P. Kubben
用于康复的完全集成手势和步态处理 SoC，具有无 ADC 混合信号特征提取和用于分类和在线训练的深度神经网络
DOI：
10.1109/cicc48029.2020.9075910
发表时间：
2020
期刊：
Custom Integrated Circuits Conference
影响因子：
--
作者：
Wei, Yijie;Cao, Qiankai;Otseidu, Kofi;Hargrove, Levi;Gu, Jie
通讯作者：
Gu, Jie
由口袋中的 NFC 耦合智能手机供电的身体传感器网络
DOI：
10.1109/embc.2018.8513567
发表时间：
2018
期刊：
2018 40th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC)
影响因子：
--
作者：
Y. Masuda;A. Noda;H. Shinoda
通讯作者：
H. Shinoda