Acceleration of a CNN-based Heart Sound Segmenter: Implementation Design on Different Architectures Targeting a Wearable Device

Cardiovascular diseases (CVDs) are currently one of the leading causes of death worldwide. Being able to detect their symptoms at early stages, even the most hidden ones, is crucial to shorten the diagnosis time and facilitate an early treatment. Currently, the use of continuous tracking systems, mainly based on wearable devices that analyze data using artificial intelligence (AI) algorithms, is being explored to automatically identify, in real time, CVDs symptoms. This could be especially relevant in low-income countries where there is a shortage of specialized doctors. Therefore, this work focuses on analyzing the real-time execution of the state-of-the-art convolutional neural network (CNN) for heart sound segmentation (HSS) on architectures such as traditional CPU/GPU and the Fraunhofer IMS © AIRISC Core Complex (a RISC-V processor developed for AI). Results revealed that, while all implementations exploiting the CPU/GPU architecture proved to be useful in real-time diagnosis from a fixed location, the AIRISC demonstrated its goodness, as a system on a chip (SoC), for a real-time wearable application, when executing a quantized version of the CNN.

Accelerazione di un Segmentatore di Suoni Cardiaci Basato su una CNN: Progettazione dell'Implementazione su Diverse Architetture Finalizzata a un Dispositivo Indossabile. Le malattie cardiovascolari sono attualmente una delle principali cause di morte a livello mondiale. Essere in grado di rilevarne i sintomi nelle fasi iniziali, anche quelli più nascosti, è fondamentale per abbreviare i tempi di diagnosi e facilitare un trattamento tempestivo. Attualmente, l'uso di sistemi di monitoraggio continuo, basati principalmente su dispositivi indossabili che analizzano i dati utilizzando algoritmi di intelligenza artificiale (AI), è in fase di studio per identificare, automaticamente e in tempo reale, i sintomi delle cardiopatie. Questo potrebbe essere particolarmente importante nei paesi a basso reddito dove vi è una carenza di medici specializzati. Pertanto, questo lavoro si concentra sull'analisi dell'esecuzione in tempo reale della rete neurale convoluzionale (CNN) attualmente considerata lo stato dell'arte per la segmentazione dei suoni cardiaci su architetture quali le CPU/GPU tradizionali e il Fraunhofer IMS © AIRISC Core Complex (un processore RISC-V sviluppato per l'AI). I risultati hanno rivelato che, mentre tutte le implementazioni della CNN che sfruttano le architetture tradizionali delle CPU/GPU si sono rivelate utili nella diagnosi in tempo reale da una postazione fissa, l'AIRISC ha dimostrato la sua bontà, come System-on-a-Chip (SoC), per un'applicazione indossabile in tempo reale eseguendo una versione quantizzata della CNN.