Aplicaciones de radar ¿Qué es la clasificación supervisada, es

decir, el reconocimiento de patrones? Dada

Recientemente, la detección de signos
una nueva muestra de datos de prueba
vitales y el reconocimiento de actividad han
desconocida, esta será asignada a una clase
cautivado a la comunidad investigadora; es
/ categoría predefinida por el investigador,
decir, para AL [1] - [4], para el
ingeniero o clínico [6]. La disponibilidad
envejecimiento en el lugar (Figura 1), y para
cada vez mayor de potencia computacional
los hospitales que controlan a pacientes
con GPU. Las matrices de compuerta
ambulatorios afectados por, por ejemplo,
programables en campo (FPGA) y las CPU
trastornos de obstrucción pulmonar (POD).
han generado una gran cantidad de técnicas
El envejecimiento de la población es un
de clasificación. De la literatura se
desafío global, con una proporción cada vez
desprende que, hasta la fecha, no existe un
mayor de personas mayores / vulnerables
algoritmo de clasificación supervisado
que viven solas y con alto riesgo de caerse
específico de "talla única".
(30%) [1]. Por lo tanto, las sociedades deben
adaptarse a los crecientes desafíos de salud Un marco común (Figura 2) abarca el
asociados con el manejo de enfermedades aprendizaje estadístico (SL) y los enfoques
crónicas / cognitivas y preservar la de aprendizaje profundo (DL) para el
movilidad después de un accidente aprendizaje supervisado, que comprende
cerebrovascular, a la necesidad de tres pasos: adquisición de datos /
tecnologías de rehabilitación. preprocesamiento de señales, extracción de
características y clasificación. El
El radar ha ganado popularidad como
preprocesamiento está relacionado con la
tecnología de detección para apoyar
naturaleza del problema, las modalidades
servicios de salud innovadores /
de detección y la forma en que los datos se
personalizados [1] - [4]. ¿Por qué radar? Se
representan e ingresan en los algoritmos de
han investigado muchos sensores para AL
clasificación. La representación de datos
[5], que van desde sensores portátiles [por
"óptima" aún se está investigando
ejemplo, acelerómetros, giroscopios y
intensamente para encontrar el mejor
ópticos para frecuencia cardíaca (FC) /
rendimiento de clasificación y evaluar su
oximetría] y sensores integrados en el
"portabilidad" entre escenarios y
entorno construido [por ejemplo, presión,
aplicaciones. El problema es cómo
acústica e infrarrojos ( IR)], a cámaras
diferenciar entre clases, dado un conjunto
basadas en luz visible / IR o información de
de información intra / interclase que puede
profundidad. Entre estos, los beneficios de
conducir a variaciones mínimas dentro de
usar el radar en AL radican en su naturaleza
cada clase, y variaciones suficientemente
sin contacto, versatilidad y preservación de
significativas entre diferentes clases para
la privacidad. Las personas bajo observación
definir límites para estrategias de
no necesitan usar / interactuar con
clasificación simples.
dispositivos o cumplir con instrucciones que
cambiarían sus rutinas. En los enfoques SL y DL, un punto con N
características en un espacio N-dimensional
El radar no se percibiría como un estigma
es representativo de una clase. El objetivo
porque se puede embellecer con un radomo
es encontrar las características que
personalizado fijado en una pared que
permitirán un límite de decisión simple
podría parecer una pintura de la elección de
entre clases. El límite para clasificar nuevas
la persona.
muestras está determinado por las
Problema de clasificación supervisada distribuciones de probabilidad de cada clase
que se aprende mediante la capacitación en
una base de datos de muestras. Se puede gran cantidad de datos, características y
definir de manera diferente según el SL valores de hiperparámetros tienen el
adoptado, por ejemplo, la teoría ingenua de potencial de hacer explotar los requisitos
Bayes, los vecinos k más cercanos (K-NN), computacionales, lo que se discutirá en la
las máquinas de vectores de soporte (SVM), sección "Desafíos en implementaciones en
los árboles de decisión y las redes tiempo real"
neuronales (NN), todos los cuales son
En cuanto a las características, la selección
descrito en [7], o el DL adoptado, como
de las más destacadas puede tener un
autoencoders apilados (SAE), NN
mayor impacto en la precisión que el
convolucionales (CNN) y NN recurrentes
algoritmo SL / DL seleccionado, al tiempo
(RNN), incluidas las unidades recurrentes
que reduce su complejidad y requisitos
activadas y la memoria a corto plazo [1].
computacionales. Los métodos de selección
Esencialmente, todos estos métodos
de características [4] incluyen análisis de
implementan una forma de minimización de
componentes principales (PCA), métodos
la función de costo / pérdida de una nueva
de "envoltura" que prueban diferentes
muestra x que pertenece a una clase ci. En
combinaciones con un clasificador
el aprendizaje supervisado, el rendimiento
específico para seleccionar las
de un clasificador se evalúa en términos de
características de mejor rendimiento y
su sensibilidad, especificidad, precisión y / o
métodos de "filtro", que clasifican las
puntaje F (Figura 2).
combinaciones en función de la información
DL se ha propuesto recientemente para la inter / intraclase métricas, por ejemplo,
clasificación de datos de radar para entropía y pruebas T. En DL, los filtros
aprovechar el efecto disruptivo que tuvo su convolucionales se usan en CNN y
adopción en el procesamiento de señales de convolutional-autoencoder (CAE) como
imagen / video / audio [8]. Su atractivo extractores de funciones de propósito
radica en su posibilidad de evitar la general que crean una representación
necesidad de "conocimiento experto y dispersa de los datos de entrada, lo que
operadores" para las etapas de explica su estructura. SAE es similar, pero
preprocesamiento, extracción de reestructura los datos de entrada como un
características y / o selección, porque las NN vector de columna. El proceso de selección
determinan de forma autónoma cuáles son de funciones está oculto, es decir, el
las características más destacadas para la algoritmo extraerá o seleccionará
clasificación. automáticamente las funciones más
destacadas para minimizar la función de
Tanto en SL como en DL, el investigador se
costo. La tasa de abandono puede forzar un
enfrenta a la "maldición de la
proceso de selección de características más
dimensionalidad", es decir, cuántos datos
estricto para la optimización del
de entrada son necesarios para algoritmos
rendimiento.
de clasificación robustos, y
específicamente, cuántas características (y HAR para AL
cuáles) son significativas y no están
La investigación en HAR para AL usando el
sobreajustadas para un determinado
radar ha aumentado considerablemente
escenario o conjunto de datos. En DL, un
debido a los desafíos que enfrentan los
grado adicional de libertad (DoF) es el ajuste
países desarrollados y en desarrollo con su
de hiperparámetros, como la tasa de
población que envejece [1], [4]. Esta sección
aprendizaje, la tasa de abandono, las
ofrece una descripción general de las
iteraciones, el número de unidades y capas
tendencias de investigación más recientes y
ocultas, y las funciones de activación. Una
los desafíos pendientes. En el radar, el y geometría (ángulo de aspecto,
trabajo de clasificación todavía se realiza oscurecimiento de partes del cuerpo y
principalmente en espectrogramas (Figura extensión Doppler) y señal -relación de
3), es decir, firmas micro-Doppler que ruido (SNR), sigue siendo un problema de
muestran representaciones en tiempo investigación pendiente. Además, los
Doppler de las señales recibidas basadas en cambios dinámicos en las condiciones
la transformada de Fourier a corto plazo operativas pueden requerir que el radar
(STFT) [1], [4]. Este enfoque ofrece una adapte dinámicamente sus características
representación de datos simple y efectiva (es decir, "diversidad de características" [4,
para problemas que presentan grandes Capítulo 8]). La Tabla 1 resume los
variaciones entre clases. Sin embargo, resultados de las simulaciones sobre la
cuando se introducen "confusores" (es robustez de diferentes características
decir, actividades con bajas variaciones basadas en parámetros operativos para la
entre clases) o se requiere precisión de alta clasificación, que pueden proporcionar
frecuencia para la representación de datos, orientación al seleccionar entre una lista
los espectrogramas muestran sus más extensa de características (p. Ej., Física,
limitaciones en la resolución de tiempo y basada en transformación, inspirada en el
frecuencia. Los espectrogramas eran habla y no paramétrica) que se encuentran
populares porque solo el radar de onda en el literatura para la clasificación de la
continua (CW) era asequible para la marcha. Experimentalmente, el PRF
investigación, y los requisitos desempeña un papel importante en la
computacionales para los algoritmos precisión de la clasificación y no debe
basados en FT eran bajos en comparación exceder demasiado la extensión Doppler de
con otras transformaciones de tiempo- las señales recibidas; de lo contrario,
frecuencia (TF). Sin embargo, STFT sufre una pueden producirse actuaciones
compensación de resolución TF: los degradadas.
requisitos computacionales y la resolución
Debido a la democratización del radar de
no pueden optimizarse conjuntamente. Se
precisión submétrica derivado de la
propusieron distribuciones de TF más
industria automotriz para el radar
generalizadas para abordar este problema y
anticolisión y las plataformas de radio
se discuten en [4].
definidas por software, que se acompaña de
Por lo tanto, existe un interés considerable un aumento en el poder computacional, hay
en explorar otros dominios de radar para la más dominios de información disponibles
clasificación, y el diagrama de cadencia- para extraer características para la
velocidad (CVD) es fácilmente alcanzable clasificación (Figura 3), incluyendo datos sin
(incluso para el radar CW) para procesar [1], tiempo de rango [1], [9],
espectrogramas a través de un FT simple, Doppler de rango [9], [10], CVD [4] o
que, por ejemplo, revela la velocidad cepstrograma, frecuencia de mel [4], o de
promedio de caminata y ritmo de zancada. una combinación de estos, como mapas
Para espectrogramas y CVD, se elige un compuestos Doppler de rango [9] - [11].
subconjunto específico de características
Las actividades ahora se pueden distinguir
para una determinada aplicación y conjunto
en términos de distancia, espectro de
de datos. Cómo hacer esta selección, dadas
potencia, Doppler y cadencia para
sus diferentes condiciones operativas,
discriminar aún más entre las bajas
como los parámetros del radar [p. Ej.,
variaciones entre clases. Sin embargo, esto
Frecuencia portadora y de repetición de
también plantea desafíos con respecto a la
pulso (PRF)], las restricciones de despliegue
búsqueda de características sobresalientes
en diferentes dominios, así como para la 97,88% de precisión, superando las
implementación de técnicas de fusión entre características artesanales y las
múltiples dominios [9] - [11], otros nodos de clasificaciones basadas en PCA en 10 y
radar [12] o diferentes modalidades de 11,8%, respectivamente. Un MPCA
detección que complementan el radar [ 13], mantiene las variaciones en los datos
[14]. proyectados, minimiza el error de
reconstrucción y es equivalente a PCA o 2D
La fusión de información se utiliza para
PCA cuando M = 1 2.
superar las limitaciones de un dominio /
sensor mediante la fusión de información Esta es una técnica muy interesante para
complementaria de diferentes sensores en explorar la variedad de dominios ahora
diferentes niveles de abstracción, es decir, abiertos, donde M es mayor que 2. En [16],
señal, característica y / o decisión [15]. la información de rango se utiliza para
realizar una clasificación binaria entre
Fusion generalmente mejora el rendimiento
actividades in situ y no in situ en función del
de clasificación general que compensa las
número de intervalos activados con una
deficiencias de un solo sensor y puede
precisión del 99,9%. Después de realizar una
aumentar la sensibilidad y la especificidad
transformación TF de rango ponderado, se
relacionadas con una clase particular de
utilizaron dos enfoques basados en PCA,
interés, por ejemplo, una reducción en HAR
obteniendo un 98.1 (clasificador de árboles
[13], [14]. En la Tabla 2 se resumen tres
embolsados y no in situ) y una precisión del
ejemplos que usan información
98.5% (clasificador K-NN in situ y
multidominio para la clasificación.
subespacial), respectivamente. Las
En [9], se procesa una combinación de características del centroide se
información de tiempo de rango, abandonaron a favor del movimiento in situ
espectrograma e Doppler de rango porque no eran relevantes; Sin embargo,
integrado (IRD) (ver Figura 3) con SAE para son muy salientes para caminar. Esto
extraer características que luego se demuestra una nueva clasificación
clasifican por una capa Softmax para cada jerárquica multidominio, es decir, que las
una de las tres entradas. Luego se lleva a diferentes características funcionan mejor
cabo una votación para definir la etiqueta dependiendo de la naturaleza de la
de la actividad (caminar, caer, sentarse o actividad.
doblarse).
Algunos resultados de fusión multimodal se
Este método muestra una mejora general informan en la Tabla 3 y muestran el radar
de 2, 3 y ~ 6% en especificidad, precisión y combinado con sensores portátiles y nodos
sensibilidad, respectivamente. Sin de radar [también se muestra en la Figura 4
embargo, la sensibilidad en la detección de (a)]. La precisión de la detección de caídas
caídas se redujo en comparación con las disminuyó ligeramente con la fusión (FMCW
entradas individuales, lo que indica que la más CW) al 95,28% en comparación con el
estrategia de votación debe revisarse para 96,23% con CW. Seleccionar la estrategia de
maximizar la detección de caídas. fusión correcta mientras se mantiene un
alto nivel de precisión para clases
En [10], el cubo de Doppler de rango se específicas sigue siendo un desafío. Las
procesa previamente con un algoritmo de mejores combinaciones de sensores
limpieza extendido para eliminar el ruido y variaron entre los subgrupos de personas,
las distorsiones no deseadas al tiempo que según los rasgos físicos y la edad.
mejora la señal. Se propone un enfoque de Recientemente, los ejemplos de DL [1], [12]
PCA multidimensional (MPCA) y alcanza un fusionaron información en las capas
profundas al agrupar información de Nuevas técnicas de procesamiento de
diferentes sensores en un NN adicional señal
antes de la clasificación. En [12], se propone
El procesamiento de señales que estima los
un CNN profundo multiestático (DCNN) [ver
parámetros de salud es primordial para las
Figura 4 (b)] y un DCNN monostático con
aplicaciones de AL. Las técnicas existentes
votación para un escenario de radar
para la estimación de parámetros de salud
multiestático.
sin contacto se basan principalmente en
Estas técnicas demuestran rendimientos análisis FT y algoritmos de estimación
robustos y baja varianza para diferentes espectral [clasificación de señal múltiple
esquemas de entrenamiento, que van del (MUSIC) y relajación (RELAX)] [17] - [19]. Sin
20 al 50% de los datos que superan embargo, debido a los problemas de fugas y
constantemente a los DCNN monostáticos manchas causados por la longitud limitada
independientes. También implementaron el de los datos, un FT está típicamente
reparto de peso entre las diferentes capas "plagado" con una resolución limitada. En la
en los nodos para evitar tener demasiados estimación espectral, determinar los
parámetros para optimizar. Esta evolución parámetros clave es un desafío importante
abre nuevos horizontes para la integración que influye en el rendimiento de la
de información multimodal y multidominio estimación. Para obtener la resolución
de algoritmos heterogéneos para maximizar adecuada, la longitud de ventana requerida
el rendimiento. para los algoritmos de estimación espectral
es demasiado larga para observar las
Además, los algoritmos de clasificación
características variables en el tiempo de los
deben ser adaptativos y capaces de hacer
signos vitales, que son cruciales en cuidados
frente a una mezcla diversa de personas y
intensivos, la recuperación postoperatoria
entornos. Aunque este aspecto aún no se ha
de los pacientes y el tratamiento de trauma
investigado a fondo, los avances en el
severo.
aprendizaje de refuerzo (RL), el aprendizaje
de transferencia y el marco de radar Recientemente, se propusieron enfoques
cognitivo pueden proporcionar inspiración más precisos y eficientes para superar estos
para abordar este desafío. desafíos de radar. Éstos incluyen

En conclusión, una observación interesante 1) reconstrucción dispersa (SR), que logra

es que algunas comunidades de un rendimiento superior de procesamiento
investigación organizan concursos que a corto plazo en ventanas de longitud
comparan diferentes algoritmos en una limitada [20],
tarea establecida para validar el
2) minimización gradual de la norma
rendimiento de los algoritmos propuestos
atómica (StANM), que resuelve los
(por ejemplo, el Concurso de Fusión de
problemas de alias que surgen de los
Datos celebrado en el Simposio IGARSS).
armónicos de la respiración al estimar la FC
Puede ser hora de adoptar este enfoque en
[21], y 3) la transformación de sincronismo
HAR para AL dentro de la comunidad de
(SST), que estima la tasa de respiración
radares para comparar de manera confiable
instantánea (RR) y la FC [22].
el desempeño de los algoritmos.
La teoría SR ha recibido considerable
Monitoreo del corazón / respiración para
atención en la estimación de parámetros de
la enfermedad respiratoria y clasificación
salud sin contacto [20]. Explotando sus
del ciclo del sueño.
características "escasas", las señales
fisiológicas pueden reconstruirse
resolviendo un modelo indeterminado con modulación de frecuencia, el SST calcula la
una minimización de la norma 10. Por lo distribución TF Ws utilizando la
tanto, se puede realizar el procesamiento a transformada wavelet (WT), que se
corto plazo y la estimación espectral de extenderá sobre una región alrededor de su
superresolución. Además, debido a la frecuencia y tiene baja resolución. Por lo
magnitud débil de las señales de FC (es tanto, la SST reasigna la distribución WT y la
decir, ~ una décima parte de un RR), los aprieta a lo largo del eje de frecuencia.
algoritmos SR convencionales basados en Luego, de acuerdo con los rangos de los
un modelo de vector de medición única componentes RR / HR, las frecuencias
(MV) tienen una alta probabilidad de instantáneas RR / HR se extraen buscando
estimación falsa. Para mejorar la robustez, los picos.
se propone un esquema de reordenamiento
Como ejemplo, la Figura 5 compara los
de los datos demodulados basado en el
rendimientos de estimación de la
modelo de MV múltiple (MMV). Luego, se
transformada rápida de Fourier (FFT),
aplica el algoritmo de Solución de Sistema
MUSIC, ANM y StANM. En este
Subdeterminado FOCal MMV Regularizado
experimento, se eligió aleatoriamente una
para recuperar las frecuencias RR / HR. Los
señal de 6,5 s de longitud. El sujeto se sentó
resultados tanto simulados como
a 2 m de la antena. Todos los algoritmos
experimentales han demostrado
funcionaron bien en la estimación RR. Solo
rendimientos de procesamiento superiores
StANM estimó la FC con precisión (64
a corto plazo, con una longitud de ventana
latidos / min / 1.06 Hz) a partir de los
de ~ 5 s.
armónicos RR, que coincidían con las
Para resolver los problemas de alias en la lecturas JP2000-09 utilizadas para la verdad
estimación de FC causados por los fundamental.
armónicos RR, se propone un StANM para
Aplicaciones de respiración / monitoreo
evaluar con precisión las frecuencias RR /
cardíaco
HR con datos limitados [21]. Primero, la
frecuencia RR se estima mediante el ANM Las estimaciones precisas de RR / HR que
convencional, luego los armónicos RR se varían en el tiempo y basadas en radar son
generan en función de la relación inherente cruciales para las aplicaciones de
entre sus fundamentos y armónicos. respiración y monitoreo cardíaco, como los
Finalmente, con las frecuencias trastornos respiratorios (BD), el monitoreo
preestimadas, la frecuencia de FC puede de SS [24], [25], los valores potenciales de
localizarse resolviendo un problema de presión arterial y su variabilidad, y la
ANM modificado. Las simulaciones y identificación de emociones humanas . La
experimentos mostraron estimaciones detección por radar libera a los sujetos de la
precisas de frecuencia RR / HR a partir de incomodidad de tener sondas conectadas a
6,5 s de datos sin procesar muestreados a 4 ellos, extiende el período de monitoreo y
Hz. evita los sesgos resultantes del estrés
psicológico o las limitaciones físicas debidas
Para extraer parámetros de salud
al equipo de medición. Esto hace que el
instantáneos, se propone un nuevo
radar sea muy adecuado para AL. Esta
algoritmo de análisis de TF (es decir, una
sección se centra en dos posibles
SST) [22]. Es un caso especial de la técnica
aplicaciones biomédicas: reconocimiento
de reasignación mientras la reconstrucción
de BD y SS.
está habilitada. Suponiendo que las señales
RR / HR detectadas por radar se basan en un
modelo de modulación de amplitud /
BDs de Pecho de Nanjing para evaluar el
rendimiento del sistema. Un paciente
La respiración es un signo vital humano
diagnosticado con BD nocturnos participó
importante y se correlaciona fuertemente
en el experimento. El radar estaba a 2 m por
con las condiciones de salud. A diferencia de
encima de la pared del cofre, con su haz de
los parámetros regulares (p. Ej., RR y
radiación apuntando hacia abajo. El
volumen corriente), los BD son difíciles de
experimento fue aprobado por la junta de
capturar con precisión.
revisión institucional del hospital y se
En particular, proporcionan información realizó con el consentimiento informado del
significativa para la vigilancia de la salud y el paciente. La Figura 6 (a) ilustra la
diagnóstico / pronóstico de la enfermedad distribución horaria del sujeto de la
[26]. En general, los BD se caracterizan por respiración de Cheyne-Stokes y la
patrones de respiración irregulares y respiración variante, que se produjo
pueden ocurrir por una lesión en los centros principalmente durante las horas sexta,
respiratorios, al usar medicamentos séptima y octava de sueño. Estas
narcóticos, desequilibrios metabólicos, referencias fueron etiquetadas
debilidad muscular respiratoria, accidente manualmente por un médico respiratorio.
cerebrovascular e insuficiencia cardíaca El número de errores cometidos en cada
[26]. Los métodos comunes para hora es inferior a cuatro, excepto en la
dispositivos de monitoreo de BD son primera hora, cuando el paciente acaba de
costosos y deben usarse, lo cual es quedarse dormido y los movimientos
inconveniente. Raramente se utilizan para aleatorios del cuerpo distorsionan la señal
aplicaciones a largo plazo, como la de respiración, lo que hace que los
monitorización de la respiración durante la resultados sean inexactos.
noche durante el sueño o la monitorización
Además, se realizó el reconocimiento de
en el hogar de pacientes con POD.
seis patrones de respiración, es decir,
Para el monitoreo de BD a largo plazo sin respiración normal, respiración de Cheyne-
contacto, se ha propuesto un sistema de Stokes, respiración variante de Cheyne-
reconocimiento de BD basado en radar CW Stokes, respiración disrítmica, respiración
[24]. Como se muestra en la Figura 6 (c), el de Biot y respiración de Kussmaul. Después
sistema propuesto consiste en un radar CW de eliminar los movimientos del cuerpo, se
y un módulo de reconocimiento de BD usaron 832 épocas válidas para las pruebas.
basado en aprendizaje automático. Un La Figura 6 (b) muestra los resultados de
radar de frecuencia intermedia-digital CW clasificación para 8 h de señales de
de 2,4 GHz diseñado a medida captura con respiración. NSVM se refiere al número de
precisión la forma de onda de respiración en predicciones correctas hechas por el
el dominio del tiempo. clasificador SVM y NHand representa
predicciones etiquetadas a mano. La
Luego, el módulo de reconocimiento está precisión se define como la relación de
diseñado para identificar diferentes BD con NSVM a NHand.
características seleccionadas utilizando
SVM multiclase basado en codificación de Durante el sueño del paciente, se
salida de corrección de errores. Siete de las encontraron cinco patrones de respiración,
13 características extraídas se seleccionan excepto en la respiración de Biot. La
utilizando el algoritmo ReliefF. precisión promedio del algoritmo fue del
86.5%.
También se llevaron a cabo experimentos
clínicos con pacientes reales en el Hospital
Reconocimiento SS adquisición / preprocesamiento de datos,
extracción de características y clasificación.
Dormir es una necesidad humana básica,
Para el preprocesamiento de datos, la
como comer, beber y respirar. Al igual que
adquisición de señal es un paso crítico que
con otras necesidades, el sueño es vital para
depende en gran medida del nivel de
la buena salud y el bienestar durante toda la
rendimiento del convertidor analógico a
vida de una persona. Hay un
digital, que puede alcanzar altas frecuencias
reconocimiento creciente de los efectos
de muestreo (es decir, GS / s) para el radar
adversos de la mala calidad del sueño
de alta resolución. Entonces, las
porque generalmente se asocia con
transformaciones TF deben calcularse, lo
problemas de salud física y mental, lesiones,
que requiere una potencia computacional
pérdida de productividad y un mayor riesgo
significativa.
de muerte prematura. El análisis de la
calidad del sueño está ganando más El número de acumulación múltiple por
atención y se utiliza para diagnosticar segundo (MACS) se puede usar como una
diversos problemas de salud. En medicina métrica de rendimiento contada en giga
del sueño, polisomnografía (PSG) MACS / tera MACS, y emplea un punto fijo
en lugar de un punto flotante, lo que tiene
se considera el "estándar de oro" para
un efecto en cascada sobre el rendimiento
estimar SS y evaluar la calidad del sueño
de los elementos que se analizan más
[27]. Sin embargo, PSG requiere técnicos del
adelante en esta sección.
sueño en un laboratorio especializado, al
que es difícil acceder en muchas Las arquitecturas paralelas masivas pueden
comunidades. Para permitir el monitoreo ayudar a lograr un rendimiento en tiempo
del sueño en condiciones más naturales, real, mientras que la informática
señales fisiológicas relacionadas con el aproximada puede ayudar a mantener un
sueño, media RR / HR, varianza, buen nivel de rendimiento. Para la selección
acumulación de diferencia de amplitud y y clasificación de características, las técnicas
entropía, movimientos corporales y sus DL que usan CNN u otras arquitecturas NN
características derivadas [por ejemplo, profundas (DNN) son prometedoras debido
sueño profundo y movimiento ocular rápido a sus arquitecturas regulares, que coinciden
(REM)] se miden en base a un sistema de bien con la estructura FPGA. Aunque las
radar CW con subespacio K-NN para GPU se encuentran entre las plataformas
mejorar su precisión. más utilizadas para implementar CNN
debido a su potencia de procesamiento
Desafíos en implementaciones en tiempo
(hasta 11 teraflops / s), las FPGA son una
real
alternativa viable para el análisis de datos
Las aplicaciones de detección de radar para de radar en tiempo real en términos de
AL requieren la implementación en tiempo consumo de energía (en comparación con
real del procesamiento de la señal. El las GPU), rápido creación de prototipos y
desafío radica en diseñar arquitecturas capacidades informáticas paralelas masivas
paralelas bajo las restricciones de huellas a diferentes velocidades de datos [28].
bajas (consumo de energía, área y recursos Como resultado, se han propuesto
heterogéneos) y un alto rendimiento de numerosos aceleradores CNN basados en
datos de entrada y tiempo de FPGA, dirigidos tanto a centros de datos
procesamiento. Un sistema típico de informáticos de alto rendimiento como a
clasificación basado en radar se puede aplicaciones integradas [29], [30]. Algunos
dividir en tres pasos: trabajos apuntan al diseño de unidades
DNN o RNN en FPGA y demuestran una
aceleración significativa y eficiencia Con respecto a la detección multimodal, se
energética en comparación con las requieren diferentes tipos de detección,
arquitecturas de procesamiento computación y comunicación en sistemas
convencionales [31], [32]. integrados. La naturaleza de los datos
recopilados tiene un impacto significativo
Para reducir la cantidad de recursos
en la arquitectura informática, así como si la
necesarios para la implementación, se
detección es continua, como el análisis de la
podría utilizar una implementación paralela
marcha y la aplicación de video para
basada en el tiempo compartido de CNN
detección de caídas, o periódica, por
[33] u operadores de red optimizados [34].
ejemplo, activada por tiempo o eventos (es
Para un análisis más profundo, consulte la
decir, sensores inteligentes aplicaciones
herramienta en línea [35] que compara los
para el hogar). Parece inevitable
aceleradores NN en varias plataformas de
proporcionar una arquitectura
hardware [por ejemplo, FPGA, circuitos
reconfigurable rápida y eficiente que
integrados específicos de aplicación (ASIC) y
adapte el procesamiento localmente o
GPU] en términos de velocidad y consumo
autoorganizar la matriz de aprendizaje [37]
de energía. De la Figura 8, los aceleradores
a bajo costo con respecto al medio
NN basados en FPGA son buenos
ambiente.
compañeros de sus contrapartes
principales, logrando un alto rendimiento Se ha demostrado que los dispositivos
con un consumo de energía relativamente reconfigurables brindan sistemas de
bajo. Recientemente, Xilinx presentó un eficiencia energética al reducir el tiempo de
motor DNN para ser utilizado en tarjetas procesamiento. Los FPGA estáticos basados
aceleradoras programables Alveo, que en memoria de acceso aleatorio (RAM)
puede procesar más de 4,000 imágenes / s continúan sufriendo pérdidas de energía,
[36]. Actualmente hay disponible una pero los FPGA de baja potencia construidos
biblioteca de software completa para alrededor de la tecnología FLASH ofrecen un
integrarse con marcos de aprendizaje buen rendimiento con un consumo mínimo
automático, por ejemplo, Caffe, TensorFlow de energía. Además, se pueden
o MxNet. Tales ejemplos resaltan el implementar varias estrategias
beneficio de usar arquitecturas comprobadas de administración de energía,
programables para desarrollar sistemas como el escalado de frecuencia de voltaje
computacionales muy eficientes para dinámico y la activación de energía y reloj
aplicaciones de radar. para reducir aún más el consumo de
energía. Convertidores analógicos y
Otros desafíos para implementar técnicas
digitales también
de aprendizaje activo, como RL en FPGA
para hacer que el procesamiento y la tienen un impacto significativo en el
computación sean adaptativos, aún están consumo de energía cuando se requieren
abiertos y se discuten más adelante en esta grandes anchos de banda y altas
sección. Como se mencionó en las secciones frecuencias. El muestreo adaptativo, por
anteriores, es probable que los métodos de ejemplo, permite la reducción del consumo
detección multimodal y RL se utilicen de energía al ajustar dinámicamente la
ampliamente en futuras aplicaciones HAR, frecuencia de muestreo. Xilinx introdujo
que aprovechan un número creciente de recientemente nuevas arquitecturas de
sensores inteligentes en entornos chip de sistema (SoC) dedicadas al
domésticos y permiten algoritmos de procesamiento de señales de
clasificación robustos para personas y radiofrecuencia (RF) de alta complejidad
escenarios. llamado RF SoC. El objetivo de estas
arquitecturas es cambiar una parte del flotante. Con respecto a la implementación
procesamiento de la señal analógica del en tiempo real, la aritmética de punto fijo es
dominio digital al FPGA (incluidos los privilegiada, lo que limita su nivel de
convertidores [46]), mejorar la flexibilidad y rendimiento y disminuye significativamente
simplificar los requisitos de filtrado, su precisión [39]. Sin embargo, un formato
proporcionando así un front-end de de punto flotante de media precisión es útil
procesamiento de señal de RF totalmente para abordar futuras implementaciones de
integrado. . Estos diseños de aceleradores FPGA, así como la computación aproximada
propuestos implican lograr un alto para mantener buenas compensaciones de
paralelismo y aumentar la reutilización de rendimiento energético [30].
datos en el chip y una jerarquía de memoria
Además, el tiempo de entrenamiento y
eficiente, cumpliendo así los altos requisitos
predicción aumenta significativamente para
computacionales de las CNN. Las
los DNN utilizados en las GPU. Al usar
comunicaciones en estas arquitecturas de
plataformas heterogéneas con CPU, GPU,
aceleradores masivamente paralelos
FPGA o ASIC con suficiente potencia de
también requieren nuevas estrategias
procesamiento, quedan varios problemas,
personalizadas de red en chip [38], que se
como la disipación térmica, la programación
espera que den como resultado un "cuello
eficiente de dichas plataformas para lograr
de botella de rendimiento". Todos los
el rendimiento requerido y las
diferentes DoF ofrecidos por SoC FPGA
comunicaciones entre los núcleos. En [29],
hacen posible desarrollar complejos
se plantearon los mismos problemas para
procesamiento de señal para aplicaciones
los sistemas de visión integrados, lo que se
AL.
suma al hecho de que la mayoría de los
Los FPGA SoC también proporcionan una algoritmos no están diseñados para
gran cantidad de entradas-salidas y varias plataformas heterogéneas.
interfaces. Esto es especialmente
Conclusiones
importante para la detección multimodal,
donde se deben conectar varios sensores Este artículo, que examinó los desafíos de la
heterogéneos al FPGA para recopilar y implementación en tiempo real, introdujo
procesar todos los datos recopilados (por el HAR basado en radar y el monitoreo de
ejemplo, compresión, fusión, filtrado, signos vitales en el contexto de AL a través
clasificación, etc.). Las interfaces de alto de tres aplicaciones de clasificación: ADL,
rendimiento que ofrecen los FPGA, BD y estimación de SS. El problema común
particularmente con memorias, permiten la de la clasificación de aprendizaje
transferencia de grandes cantidades de supervisado para estas aplicaciones se
datos. Los FPGA también tienen bloques de presentó primero utilizando un marco
procesamiento de señal digital de alto general y se discutieron los conceptos de
rendimiento y unidades de punto flotante, extracción de características, selección, la
que ofrecen mucha más potencia de elección de los algoritmos (SL o DL) y la
procesamiento que las CPU convencionales. "maldición de la dimensionalidad" desde un
punto de vista general . Los desafíos
La implementación de técnicas de
específicos relacionados con HAR
aprendizaje en una arquitectura
proporcionaron una visión general de los
reconfigurable es un enfoque prometedor;
diversos dominios de información de radar
sin embargo, tenga en cuenta que el
disponibles para la extracción de
entrenamiento fuera de línea a menudo se
características.
realiza, y las actuaciones del algoritmo se
evalúan utilizando precisión de punto
Luego, se presentaron clasificaciones ADL
ilustradas con bajas variaciones entre clases
y ejemplos de fusión multidominio /
multimodal. Existen varios algoritmos banda mayor en orden de magnitud, así
propuestos en el aprendizaje supervisado, como un consumo de energía
pero sus rendimientos relativos son difíciles significativamente menor en comparación
de evaluar porque no hay un conjunto de con la memoria bidimensional, como el
datos de evaluación comparativa disponible Hyper Memory Cube propuesto por Micron,
actualmente. Luego se introdujo la que utiliza vías de silicio para apilar RAM
extracción de parámetros de salud para dinámica en la parte superior del circuito
aplicaciones de monitoreo de respiración / lógico Estos nuevos paradigmas
corazón, junto con técnicas de informáticos representan futuras
procesamiento de señales para la alternativas viables a los FPGA. Otros
estimación de RR / HR, incluidas las técnicas desafíos sobresalientes en la clasificación
FT, MUSIC, RELAX, ANM, StANM y SST. Esto incluyen, entre otros, la temporalidad (es
fue seguido por dos aplicaciones decir, características y acciones sucesivas),
biomédicas para la clasificación BD / SS cómo aislar las acciones de un continuo,
utilizando un radar CW diseñado a medida, aprendizaje no supervisado, escenarios de
que explotó el RR / HR estimado, así como ocupación múltiple y mitigación del
los movimientos del cuerpo para informar desorden y la interferencia; sin embargo,
mejor los pronósticos médicos, como lo estos están más allá del alcance de este
demuestra una precisión> 80% en artículo y se abordarán en próximos
comparación con el estándar de oro trabajos. Se puede aprender mucho de
verdades fundamentales. otros campos, como los vehículos
autónomos, porque incluyen conjuntos de
En muchas aplicaciones del mundo real, y
sensores, incluido el radar para el
particularmente en aplicaciones de
seguimiento de objetos y la geociencia y la
atención médica, los conjuntos de datos
teledetección, por ejemplo, del Concurso
originales utilizados para el aprendizaje
Data Fusion organizado regularmente en el
deben evolucionar para refinar el
Simposio IGARSS y la inclusión de
rendimiento del clasificador. Uno de los
representaciones semánticas en Enfoques
desafíos recientes del aprendizaje activo
de clasificación.
radica en la reconfiguración parcial de los
FPGA "sobre la marcha". Las arquitecturas
paralelas masivas basadas en FPGA
presentan una oportunidad sólida que
admite técnicas de aprendizaje complejas;
sin embargo, se deben proponer algunas
innovaciones de investigación para permitir
una implementación eficiente en tiempo
real que coincida con el desempeño fuera
de línea. La computación bioinspirada y
neuromórfica puede ser una fuente de
innovaciones en este campo.
Recientemente, se han producido avances
en el área de la computación casi en
memoria y en memoria. La memoria
tridimensional puede ofrecer un ancho de
HISTORIA DE LA VIDA 4020

LUNES 9.45 A 11.45

HISTORIA DE LA VIDA - 4951 – MIE 12 A 2

SISTEMA Y CONTEXT 4800

MIE 9.30 A 11.30

JUEVES 7.15 A 9.15

VIERNES 7.15 A 10.30