エッジハードウェアでのリアルタイムECG不整脈検出のためのカスケード量子化スパイクニューラルネットワーク
A Cascaded Quantized Spiking Neural Network for Real-Time ECG Arrhythmia Detection on Edge Hardware
本研究では、リソースに制約のあるハードウェア上でリアルタイム不整脈検出を行うための量子化畳み込みスパイクニューラルネットワーク(QCSNN)を提案する。このモデルは、二値および4クラス分類器を共同で訓練するデュアルヘッドアーキテクチャを使用し、その後カスケードパイプラインに再編成される。推論時には、正常と分類された心拍はステージ1で終了し、異常と分類された心拍のみが4クラスヘッドにルーティングされる。これにより、推論コストの大部分はステージ1で吸収される。クロスエントロピーとフォカルロスという2つの損失関数、および4つのRR間隔特徴ルーティング戦略を評価した結果、RR特徴なしではフォカルロスがクロスエントロピーよりもマクロF1スコアを2.3~2.5%向上させた。RR特徴ありの場合、この利点はほぼ消失するが、RR特徴を最も強くルーティングすると、ステージ2のマクロF1スコアが0.028~0.034向上し、これは入力レベルでのクラス不均衡を補償する識別情報を提供することを示唆している。臨床的に優先される感度に基づき、CE:RR→Both構成をPYNQ-Z2 FPGAに展開し、99.02%のカスケード精度、11.54msのビートあたり遅延、0.33Wのアクセラレータ電力を達成した。これは、GPU推論と比較して31.66倍の電力削減と4.01倍のエネルギー削減であり、マクロF1スコアでは1%以内である。これらの結果は、量子化SNNが、クラウド接続に依存しないリアルタイムエッジ不整脈モニタリングの実用的なソリューションであることを示している。本研究は、直接訓練されたSNN不整脈分類における損失関数/RR特徴の相互作用に関する体系的な研究と、マルチクラスECG不整脈検出のための完全に量子化された直接訓練SNNのFPGA展開としては初のものの一つである。研究で使用されたコードはすべて公開されている。
- 提案されたQCSNNモデルをPYNQ-Z2 FPGAに展開し、リアルタイム不整脈検出で99.02%のカスケード精度を達成
- GPU推論と比較して31.66倍の電力削減、4.01倍のエネルギー削減を達成し、ビートあたり遅延11.54ms、アクセラレータ電力0.33Wを実現
- 直接訓練されたSNN不整脈分類として初の完全量子化FPGA展開であり、コードはすべて公開
本研究成果の意義は、クラウド依存型のGPU推論と比較して31.66倍の電力削減と4.01倍のエネルギー削減を達成しつつ、分類精度は99.02%と実用域に達した点にある。ウェアラブルヘルス端末やスマートウォッチなど、バッテリー駆動のエッジデバイスへのリアルタイム不整脈検出の組み込みが現実味を帯びてくる。特に、PYNQ-Z2のような汎用FPGAボードで実証済みであり、カスタムASIC設計なしでも実装可能なことは、医療機器ベンダーや半導体メーカーにとってコスト面で有利に働く。ただし、論文レベルの実証であり、製品化や規制認可にはまだ時間を要するため、短期的な投資インパクトは限定的である。