TTP已经开发出一种能够在低功耗下使用人工智能对实时心电图数据进行分类和评估潜在心律失常的框架，因此适用于起搏器等设备。 TTP的心律失常解决方案
传统的人工智能应用过于耗电，并且难以应用于植入设备，但是该技术为植入式设备制造商提供了开发更具特异性的闭环治疗方法的途径。
TTP是一家医疗解决方案提供商，通过将低功耗人工智能处理器纳入心脏不规则跳动的闭环系统中，解决了三个挑战。
识别模式被认为是人工智能的基本能力。当它用于植入式除颤器等闭环治疗时，它可提供更可靠的对身体中神经或电活动的分类。这使得系统能够以治疗的方式提供所需的电刺激。
然而，使用传统的人工智能系统会对植入设备的有限电池电量造成压力。另一个问题是传统系统需要互联网连接，这可能会成为一个问题，并且不能依靠对生命维持至关重要的设备。
该公司使用了一个带有神经网络加速器的现成微控制器，但这是第一个具有低功耗要求的解决方案，可以在可植入起搏器设备的功率容量下对实时心电图数据进行分类。
开发可植入治疗的低功耗人工智能
该公司表示，他们改变了信号分类模型的训练方式，以及硬件的设计。他们通过一种称为量化感知训练的技术训练模型，以低分辨率对心电图数据进行分类。这帮助该公司在加速器的8位分辨率下保持模型的性能。通常，桌面和云端的人工智能系统需要32位至64位的分辨率。
心电图数据通常会受到许多不同因素的影响，例如个体间差异、电变化和心脏活动。在低功耗边缘设备的有限分辨率下，数字化数据的缩放并获得可接受的分类性能并不容易。因此，为了所需的分类，TTP设计了模拟前端，以便在信号数字化之前利用完整的动态范围并改变增益。
TTP的研究人员还改变了系统的定时以减少功耗。当边缘设备不需要执行任务时，它们通常会保持关闭状态，因此采样和信号分类必须在不同的时间运行。
标记的数据集通常也是时间对齐的，因为如果数据处理和采样在非指定的时间开始，这可能导致错误的评估或不必要的电池耗尽，并且在某些情况下，数据也可能被丢弃。因此，首先要通过模拟过程预处理数据以提高效率和评估结果。
TTP正在医疗领域开发许多解决方案，并预计更多的闭环治疗系统将利用低功耗人工智能。
该公司开发低功耗人工智能，为植入式设备提供动力
