A cause de la consommation de puissance importante de la transmission de données en continu, la durée de fonctionnement sur batterie de ces capteurs est réduite et incompatible avec un usage sur le long terme. Un échantillonnage en temps continu et en amplitude discrète (CTDA), utilisant des convertisseurs analogiques numériques (CAN) à croisement de niveaux, est développé pour réduire la consommation des capteurs. Cependant, les techniques de Machine Learning traditionnelles ne sont pas adaptées avec les données échantillonnées non uniformément par les CAN à croisement de niveaux.
Les capteurs biomédicaux embarqués réduisent les coûts et risques associés à la santé des personnes, dans le cadre de la télémédecine ou de systèmes de monitoring de santé portatifs.
Contexte
Un processus complexe
Notre objectif
Le projet JEDAI a pour but de développer des algorithmes mixtes analogiques et numériques , des circuits et des systèmes pour l’implémentation des techniques de Machine Learning compatibles avec l’échantillonnage non-uniforme CTDA, dans le contexte particulier des capteurs biomédicaux. Cette approche de calcul proche capteur contribuera à réduire le volume de données à transmettre sans fil et donc la consommation d’énergie du capteur. De plus, le débit de sortie du convertisseur CTDA est directement proportionnel à l’activité du signal analogique à l’entrée du capteur. Par conséquent, les circuits d’intelligence artificielle qui traitent les données CTDA devraient consommer beaucoup moins d’énergie.
Ci-dessus, une vue conceptuelle d’un système de classification de signaux biomédicaux
Un démonstrateur prototype de capteur biomédical pour la détection et la classification de l’état du patient (apnée du sommeil, niveau de stress…) à partir de l’acquisition de signaux issus de l’électrocardiogramme ou de la bio-impédance et de la fusion de données associée aux techniques de Machine Learning, sera développé dans ce projet.
Informations sur le projet
- CHIST-ERA est un programme exploratoire pour la recherche européenne coordonnée sur les technologies de l’information et de la communication futures et émergentes.
- Sujet de l’appel à projet : Informatique analogique pour l’intelligence artificielle (Analog Computing for Artificial Intelligence, ACAI Call 2018)
- Date de démarrage : Décembre 2019 (42 mois)
- Coût total du projet : 832 000€ / Financement : 511 400 €
Consortium
Financeurs
L'équipe
Le responsable du projet