An analog neuromorphic classifier chip for ECG arrhythmia detection

Abstract

Moore yasasını takiben veri işleme gücündeki donanımsal ve algoritmik artış sayesinde eskiden hastanelerle sınırlı olan elektrokardiyografi (EKG) sistemleri yavaşça gündelik hayatımızın bir parçası olmaktadır. Farklı kişiler arasındaki fizyolojik farklardan ötürü bir EKG taramasındaki anormallikleri, aritmileri, analitik bir şekilde tespit etmek kolay değildir. Bu sorunun üstesinden gelmek için öncelikle, iki aşamalı makine öğrenme tabanlı zaman bölgesi bir algoritma tasarlanırr ve MIT - BIH veri tabanından alınan verileri kullanarak MatLab üzerinde denenir. Algoritma önişleme aşaması ile başlar. Bu ilk aşamada sisteme verilen EKG sinyalinden yedi özellik çıkarılır. Bu özellikler daha sonra ikinci tanımlama aşamasına aktarılır. Bu aşamada bir algılayıcı özelliklere dayanarak o an işlenen EKG sinyalini aritmik veya normal olarak sınıflandırır. Algoritma daha sonraXFAB XC06M3 üretim sürecini kullanarak Cadence Virtuoso'da bir analog CMOS devreye dönüştürülür. Önişleme aşamasındaki işlemlerin çoğu işlemsel iletkenlik yükseltici devreleri kullanarak yapılır. Devre tanımlayıcıdaki ağırlıkları depolamak için analog yüzen geçit metal oksit yarı iletken transistörler kullanır. Aktivasyon fonksiyonu içinse bir kazanan-hepsini-alır akım karşılaştırıcısı kullanılır. Simülasyon sonuçları devrenin istenen şekilde çalıştığını gösterir. Devrenin toplam güç tüketimi 290 μW'dır.

Following Moore's Law, the increase in the availability of more processing power alongside the development of algorithms that can use this power, electrocardiogram (ECG) systems are now becoming a part of our daily lives. The analytical detection of irregularities within the ECG scan, arrhythmias, is tricky due to the variations in the signals that differ from people to people due to physiological reasons. In order to overcome this problem, a two stage machine-learning basedtime-domain algorithm is first developed and tested on MatLab using data-sets from the MIT - BIH Arrhythmia Database. The algorithm begins with the preprocessing stage where seven features are extracted from the input ECG waveform. These features are then moved onto the second classification stage where a perceptron classifies the features as arrhythmic or normal. The algorithm was then converted into an analog CMOS circuit using the XFAB XC06M3 fabrication process on Cadence Virtuoso. Most of the operations in the preprocessing stage were completed using operational transconductance amplifiers (OTAs). For the classifier, the circuit uses analog floating gate metal oxide semiconductor transistors (FGMOS) to store the weights of the perceptron and a winner-take-allcurrent comparator for the activation function. Simulation results show that the circuit works as intended with a power consumption of 290 μW.