| Περίληψη: | Τα τελευταία χρόνια τα τεχνητά νευρωνικά δίκτυα βρίσκουν όλο και μεγαλύτερη εφαρμογή σε τομείς της καθημερινότητάς μας. Ιδιαίτερα στο κλάδο της ιατρικής και της φροντίδας τα νευρωνικά δίκτυα έχουν και συνεχίζουν να αξιοποιούνται με μεγάλη επιτυχία. Η χρήση τους για κλινική διάγνωση ή πρόβλεψη καρκίνου ή καρδιαγγειακών παθήσεων, θεωρείται πλέον μία συνηθισμένη τεχνική μηχανικής μάθησης. Σήματα της καρδιάς, για παράδειγμα, έχουν αναλυθεί με νευρωνικά δίκτυα για κατηγοριοποίηση αρρυθμιών, ανίχνευση ισχαιμίας του μυοκαρδίου, αναγνώριση καρδιαγγειακών παθήσεων, αναγνώρηση σταδίων του ύπνου κ.α.
Τα μοντέλα αυτά, μηχανικής μάθησης, έχουν ιδιαίτερα υψηλές απαιτήσεις σε μνήμη και υπολογιστική ισχύ, ιδιαίτερα κατά τη διαδικασία της εκπαίδευσης. Η χρήση συστημάτων πολυεπεξεργασίας (Multiprocessors, GPUs, FPGAs) προσπαθεί να δώσει λύση σε αυτό το πολυεπίπεδο πρόβλημα.
Στην κατεύθυνση αυτή κινήθηκε και η παρούσα διπλωματική εργασία, η οποία έχει ως στόχο την ανάπτυξη ενός νευρωνικού δικτύου για την ανίχνευση των σταδίων του ύπνου, κάνοντας χρήση των κανονικών διαστημάτων των παλμών της καρδιάς, και την υλοποίησή του σε FPGA. Αρχικά, αναπτύχθηκε και εκπαιδεύτηκε το τεχνητό νευρωνικό δίκτυο στο software, με δεδομένα εισόδου τα RR διαστήματα, στα οποία έγινε κατάλληλη επεξεργασία για να ταιριάζουν στις ανάγκες της εφαρμογής. Κάνοντας χρήση των παραμέτρων που προέκυψαν από την εκπαίδευση, υλοποιήθηκε το νευρωνικό δίκτυο και στο hardware με τη χρήση εξειδικευμένου υλικού και τελευταίας γενιάς Zynq-7000 Xilinx. Τέλος, έγινε σύγκριση μεταξύ των δύο μοντέλων για να διαπιστωθεί η ορθή λειτουργία της σχεδίασης στο υλικό.
|
|---|
