هوشی که باتری پوشیدنی‌ها را خالی نمی‌کند: NanoHydra و انقلاب پردازش کم‌مصرف در ریزکنترلرهای سلامت

به گفته hackster

کوچک و ارزان‌شدن اجزای الکترونیکی مانند سنسورها و ریزکنترلرها باعث شده است که تقریباً در هر نوع پوشیدنی قابل استفاده باشند. این پوشیدنی‌ها، به‌ویژه در پایش سلامت، با جمع‌آوری و پردازش پیوسته داده‌ها ظرفیت بزرگی دارند؛ ظرفیت‌هایی که می‌تواند به تشخیص زودتر اختلالات و تدوین برنامه‌های درمانی بهتر کمک کند.

با این حال، اگرچه جمع‌آوری داده با الکترونیک‌های پوشیدنی تقریباً حل‌شده است، پردازش همان داده‌ها همچنان چالش‌برانگیز است. ماهیت پیچیده داده‌های حوزه سلامت عملاً تدوین الگوریتم‌های سنتیِ مبتنی بر قواعد ثابت را ناممکن می‌کند. بنابراین، معمولاً از الگوریتم‌های یادگیری ماشین برای پیش‌بینی و رده‌بندی پدیده‌های پیچیده استفاده می‌شود.

نمای کلی NanoHydra

اما روی ریزکنترلرهای کوچک و کم‌مصرف که در پوشیدنی‌های معمولی یافت می‌شوند، این الگوریتم‌ها خیلی سریع فراتر از توان منابع محدود می‌روند. رویکرد جدیدی که پژوهشگران ETH Zurich ارائه کرده‌اند این گلوگاه را هدف گرفته است. سیستم آن‌ها با نام NanoHydra، راهکاری سبک و کم‌مصرف برای اجرای رده‌بندی سری‌های زمانی (Time Series Classification – TSC) روی کوچک‌ترین پلتفرم‌های محاسباتی است.

TSC یعنی پیش‌بینی برچسب کلاس از دنباله‌ای از داده‌های وابسته به زمان؛ مثل سیگنال‌های الکتروکاردیوگرام (ECG)، الگوهای امواج مغزی، یا قرائت‌های شتاب‌سنج. روش‌های یادگیری عمیق متداول مانند شبکه‌های کانولوشنی یا بازگشتی این وظایف را خوب انجام می‌دهند، اما به حافظه، انرژی و توان پردازشی بسیار بیشتری نسبت به آنچه ریزکنترلرها فراهم می‌کنند نیاز دارند. NanoHydra با کاهش پیچیدگی محاسباتی بدون قربانی کردن دقت، این محدودیت را دور می‌زند.

این سیستم بر مبنای روش‌های پیشین ROCKET و HYDRA ساخته شده است؛ روش‌هایی که از هسته‌های کانولوشنی تصادفی (random convolutional kernels) برای استخراج ویژگی‌های معنادار از داده‌های حسگر استفاده می‌کنند. NanoHydra این رویکرد را ساده‌سازی می‌کند: با به‌کارگیری هسته‌های دودویی (binary kernels) شامل الگوهای ساده +1 و −1 به‌جای تکیه بر محاسبات اعشاری (floating-point)، بار محاسباتی را به‌شدت کاهش می‌دهد. همچنین، به‌جای توابع ریاضی پرهزینه‌ای مانند ریشه دوم و تقسیم، از شیفت حسابی (arithmetic shift) استفاده می‌کند که با هزینه انرژی بسیار کمتر، اثر عملی مشابهی دارد.

نمودار بلوکی معماری GAP9

پژوهشگران NanoHydra را روی ریزکنترلر GAP9 از GreenWaves Technologies پیاده‌سازی کرده‌اند؛ تراشه‌ای فوق‌کم‌مصرف با یک کلاستر هشت‌هسته‌ای که برای پردازش موازی بهینه شده است. با توزیع بار کاری میان هسته‌ها و بهره‌گیری از دستورهای Single Instruction Multiple Data (SIMD) برای پردازش همزمان چند داده، سیستم عملکرد درخوری به‌دست آورده است. یک سیگنال ECG به طول یک ثانیه فقط در 0.33 میلی‌ثانیه طبقه‌بندی می‌شود و انرژی هر استنتاج تنها 7.69 میکروژول است؛ معیاری که NanoHydra را حدود 18 برابر بهینه‌تر از روش‌های پیشینِ هم‌رده نشان می‌دهد.

چرا NanoHydra روی ریزکنترلرهای امبدد جواب می‌دهد

• هسته‌های دودویی به‌جای وزن‌های اعشاری: ضرب و جمع‌های هزینه‌بر به جمع و تفریق‌های ساده فروکاسته می‌شوند.
• حذف توابع پرهزینه: جایگزینی ریشه دوم و تقسیم با شیفت حسابی، زمان و انرژی را کم می‌کند.
• برداشت ویژگی کارآمد: پیروی از اصول ROCKET/HYDRA با کانولوشن‌های تصادفی، اما بدون بار ممیز شناور.
• موازی‌سازی روی GAP9: تقسیم کار بین 8 هسته و استفاده از SIMD برای throughput بالاتر.

با وجود این صرفه‌جویی‌های شدید، دقت قربانی نشده است. روی دیتاست شناخته‌شده ECG5000، سیستم به دقت 94.47% رسیده که با الگوریتم‌های سنگینِ کلاس دسکتاپ رقابت می‌کند. تیم پژوهشی تخمین می‌زند یک پوشیدنی باتری‌خور مجهز به NanoHydra می‌تواند بیش از چهار سال بی‌نیاز از شارژ کار کند. ترکیب عمر باتری طولانی و دقت بالا، NanoHydra را برای کاربران بسیار جذاب می‌کند.

• wearables
• machine learning
• artificial intelligence
• sensor
• health