بهبود كارايي هوش مصنوعي لبه‌اي براي پردازش سيگنال‌هاي پروتز با استفاده از فشرده‌سازي مدل

پردازش سيگنال‌هاي پروتز، سيگنال الكترومايوگرافي سطحي (sEMG) را از اندام باقي‌مانده رمزگشايي مي‌كند تا حركت موردنظر كاربر را استنباط كرده و يك دست مصنوعي را در زمان واقعي كنترل كند. كنترل‌كننده بايد در حدود 100–125 ms پاسخ دهد تا حس عامليت كاربر حفظ شود، دقت بالاي طبقه‌بندي تداوم يابد و سيستم بتواند بر روي سخت‌افزاري با محدوديت باتري و حافظه كه درون سوكت پروتز قرار مي‌گيرد، اجرا شود. فشرده‌سازي مدل يكي از ابزارهاي مهم نرم‌افزاري براي مديريت هم‌زمان محدوديت‌هاي تأخير، انرژي و حافظه است؛ بااين‌حال، مطالعات موجود تكنيك‌هاي منفرد را با استفاده از معيارهاي جانشين ناسازگار و كاليبره‌نشده‌اي مانند اندازه مدل، FLOPs يا زمان استنتاج ارزيابي مي‌كنند و در نتيجه، مرز كارايي انتخاب‌هاي مختلف فشرده‌سازي براي رمزگشايي سيگنال‌هاي پروتزي در زمان طراحي به‌طور كافي مشخص نشده است. اين پايان‌نامه اين مرز كارايي را با استفاده از يك آزمايش مقايسه‌اي كاملاً متقاطع و صرفاً نرم‌افزاري مشخص مي‌كند. سه معماري شامل 1D-CNN، LSTM و GRU، چهار سطح كوانتيزه‌سازي شامل FP32، FP16، INT8-PTQ و INT8-QAT و سه روش عدم‌قطعيت شامل آنتروپي، MC-dro‎pout و ensemble در 36 پيكربندي با يكديگر تركيب شدند و تحت دو پروتكل بر روي مجموعه‌داده Ninapro DB2 ارزيابي شدند: يك پروتكل بين‌فردي (5-fold به‌صورت فردمحور، 49 كلاس و 180 اجرا) و يك پروتكل درون‌فردي (10-fold براي افراد، 18 كلاس و 360 اجرا) كه در مجموع شامل 540 اجرا بود. هر سطح دقت به‌عنوان مدل مستقرشده ارزيابي شد و انرژي با استفاده از يك مدل تحليلي يكپارچه براي هزينه، با درنظرگرفتن پهناي بيت و حافظه، برآورد شد؛ نه اينكه مستقيماً اندازه‌گيري شود. پروتكل ارزيابي تأثير به‌مراتب بيشتري بر دقت نسبت به كوانتيزه‌سازي داشت؛ به‌طوري‌كه ميانگين دقت در پروتكل درون‌فردي 0.6560، در مقايسه با 0.3013 در پروتكل بين‌فردي بود (+0.355)، در حالي كه تعاريف مدل و معيارها يكسان بودند. كوانتيزه‌سازي در سطوح ارزيابي‌شده تنها تأثير اندكي بر دقت طبقه‌بندي داشت؛ به‌گونه‌اي كه تغييرات ميانگين براي FP16، INT8-PTQ و INT8-QAT به‌ترتيب +0.0080، +0.0092 و +0.0103 بود و بيشترين تغيير منفرد برابر با 0.0442 به دست آمد. از نظر هزينه، FP16 اندازه مدل را به نصف كاهش داد و انرژي برآوردشده را در تمام معماري‌ها به ميزان 2.6–3.1 برابر كاهش داد. براي معماري 1D-CNN، كه INT8 كل مدل را پوشش مي‌داد، انرژي برآوردشده 9.0 برابر و اندازه مدل 4.0 برابر كاهش يافت. معماري 1D-CNN همچنين مطلوب‌ترين ويژگي‌هاي كارايي را ارائه داد؛ به‌طوري‌كه داراي 0.26 M عمليات MAC و تأخير استنتاج 0.298–0.572 ms بود، در حالي كه اين مقادير براي GRU به‌ترتيب 7.84 M عمليات MAC و 5.754–6.193 ms بودند. همچنين، 1D-CNN در هر 12 حالت متناظر، بالاترين دقت را به خود اختصاص داد. براي كوچك‌ترين مدل‌ها، زمان انتقال ثابت 1.78 ms مربوط به بسته تصميم‌گيري، تقريباً 73% از تأخير انتهابه‌انتها را تشكيل مي‌داد كه نشان مي‌دهد بهبودهاي حاصل در سمت استنتاج، لزوماً به‌صورت متناسب به بهبودهاي سطح سيستم منجر نمي‌شوند. اين مطالعه يك پروتكل معيارگذاري بازتوليدپذير و صرفاً نرم‌افزاري، يك مدل تحليلي يكپارچه براي هزينه و ميزان پوشش اندازه‌گيري‌شده كوانتيزه‌سازي را به‌عنوان مرجعي در زمان طراحي براي ارزيابي پيكربندي‌هاي فشرده‌سازي در برابر محدوديت‌هاي تأخير و انرژي پروتز ارائه مي‌كند.

238396

بيوالكتريك

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان