ترجمه مقاله آشکارسازی مقیاس پذیر حمله صرعی بر اساس سیگنال الکتروانسفالوگراف – نشریه IEEE

عنوان فارسی: | آشکارسازی مقیاس پذیر حمله صرعی بر اساس سیگنال الکتروانسفالوگراف در ساختار چند هسته ای فوق کم توان |
عنوان انگلیسی: | Scalable EEG Seizure Detection on an Ultra Low Power Multi-Core Architecture |
تعداد صفحات مقاله انگلیسی : 4 | تعداد صفحات ترجمه فارسی : 13 (1 صفحه رفرنس انگلیسی) |
سال انتشار : 2016 | نشریه : آی تریپل ای - IEEE |
فرمت مقاله انگلیسی : pdf و ورد تایپ شده با قابلیت ویرایش | فرمت ترجمه مقاله : pdf و ورد تایپ شده با قابلیت ویرایش |
فونت ترجمه مقاله : بی نازنین | سایز ترجمه مقاله : 14 |
نوع مقاله : ISI | نوع ارائه مقاله : کنفرانس |
کد محصول : 10250 | وضعیت ترجمه : ترجمه شده و آماده دانلود |
محتوای فایل : zip | حجم فایل : 2.18Mb |
رشته و گرایش های مرتبط با این مقاله: مهندسی پزشکی، پزشکی، مغز و اعصاب، بیوالکتریک و بیومکانیک |
کنفرانس: کنفرانس مدارها و سیستمهای زیست پزشکی - Biomedical Circuits and Systems Conference |
دانشگاه: دانشگاه بولونیا، ایتالیا |
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است ✓ |
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه شده است ✓ |
وضعیت ترجمه منابع داخل متن: درج نشده است ☓ |
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است |
ضمیمه: ندارد |
بیس: نیست ☓ |
مدل مفهومی: ندارد ☓ |
پرسشنامه: ندارد ☓ |
متغیر: ندارد ☓ |
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله |
رفرنس در ترجمه: در انتهای مقاله درج شده است |
doi یا شناسه دیجیتال: https://doi.org/10.1109/BioCAS.2016.7833731 |
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
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.
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.