AMS-HD: Hyperdimensional Computing for Real-Time and Energy-Efficient Acute Mountain Sickness Detection

ملخص تقني: AMS-HD: الحوسبة فائقة الأبعاد للكشف عن داء المرتفعات الحاد في الوقت الفعلي وبكفاءة عالية في استهلاك الطاقة

بيان المشكلة
يُعد داء المرتفعات الحاد (AMS) حالة شائعة تصيب الأفراد عند الصعود فوق ارتفاع 2500 متر، وتتراوح أعراضه من الصداع والغثيان إلى الوذمة الدماغية أو الرئوية المهددة للحياة. وبينما توفر المراقبة المستمرة للإشارات الفسيولوجية عبر الأجهزة القابلة للارتداء مساراً واعداً للكشف المبكر، فإن طرق تعلم الآلة التقليدية (مثل آلات المتجهات الداعمة SVM، والبيرسيبترون متعدد الطبقات MLP) غالباً ما تفشل في تلبية المتطلبات الصارمة للوقت الفعلي وكفاءة استهلاك الطاقة في الأجهزة المدمجة والقابلة للارتداء محدودة الموارد. تتطلب هذه النماذج التقليدية عادةً موارد حوسبة كبيرة، وبصمة ذاكرة عالية، واستهلاكاً كبيراً للطاقة، مما يحد من ملاءمتها للمراقبة الصحية "دائمة العمل" في البيئات النائية وعالية الارتفاع.

المنهجية: إطار عمل AMS-HD
يقترح المؤلفون AMS-HD، وهو أول إطار عمل يعتمد على الحوسبة فائقة الأبعاد (HDC) مصمم خصيصاً للكشف عن داء المرتفعات الحاد في الوقت الفعلي. تعد الحوسبة فائقة الأبعاد (HDC) نموذجاً مستوحى من الدماغ، حيث تمثل البيانات كمتجهات فائقة الأبعاد (HV)، مما يتيح حسابات قوية ومقاومة للضوضاء من خلال عمليات متجهة بسيطة (الربط، التجميع، التبديل) بدلاً من العمليات الحسابية المعقدة.

يتميز إطار العمل بتصميم ثنائي الطبقات، يمتد من البرمجيات عالية المستوى إلى الأجهزة منخفضة المستوى:

1. الحوسبة ثنائية القطب (-1/+1) عالية المستوى: مصممة للمنصات المحمولة (الهواتف الذكية والساعات الذكية)، وتستخدم هذه الطبقة متجهات ثنائية القطب لضمان كفاءة الاستدلال على المعالجات العامة.
2. الحوسبة الثنائية (0/1) منخفضة المستوى: مُحسّنة لمصفوفات البوابات المنطقية القابلة للبرمجة ميدانياً (FPGA) والدوائر المتكاملة محددة التطبيقات (ASIC)، حيث تستخدم هذه الطبقة المنطق الثنائي لتقليل استخدام موارد الأجهزة واستهلاك الطاقة.

المكونات التقنية الرئيسية:

• اختيار الميزات: يستخدم النظام "المعلومات المتبادلة" (MI) لتحديد الميزات الفسيولوجية الأكثر قدرة على التنبؤ. وأكد التحليل أن تشبع الأكسجين (SpO2) ومعدل ضربات القلب (HR) هما المتنبئان المهيمنان، بينما تم استبعاد المتغيرات المشتقة من الدم (مثل الهيماتوكريت وأول أكسيد الكربون) من خط المعالجة في الوقت الفعلي لأنها لا يمكن الوصول إليها عبر الأجهزة القابلة للارتداء.
• استراتيجيات الترميز: يستخدم إطار العمل تقنيات ترميز متنوعة لتوليد المتجهات فائقة الأبعاد، بما في ذلك الترميز العشوائي الزائف، والعشوائي شبه المنتظم (تسلسلات Sobol)، والترميز القائم على مصفوفة هادامارد. كما تم تنفيذ ترميز المقياس الحراري (أحادية القطب/Unary) المبتكر في تصميم الأجهزة لربط السمات القياسية المستمرة (مثل SpO2 وHR) بمتجهات ثنائية، مما يحافظ على التقارب العددي والارتباط.
• الترميز الموضعي: للتعامل مع السياق الزمني والحدثي (مثل مرحلة خط الأساس مقابل الليل أو فترة الليل بأكملها)، يدمج النظام الترميز الموضعي، مما يسمح للنموذج بالتمييز بين المراحل المختلفة للتعرض للارتفاع دون الحاجة إلى تدفقات زمنية مستمرة كثيفة في تقييم مجموعة البيانات الحالية.
• التصنيف: يقوم النموذج بعمليات التصنيف الثنائي (وجود AMS مقابل عدم وجود AMS) والتصنيف متعدد الفئات (مستويات الشدة: خفيف، متوسط، شديد). يتم إجراء الاستدلال عبر البحث عن التشابه (مثل تشابه جيب التمام أو مسافة هامينج) بين المتجه الاستعلامي ومتجهات الفئات المخزنة.

المساهمات الرئيسية

1. أول إطار عمل HDC لداء المرتفعات الحاد: تقديم AMS-HD كأول حل كامل لداء المرتفعات الحاد يعتمد على HDC، مما يسد الفجوة بين الاستدلال عبر الأجهزة القابلة للارتداء ونشر الأجهزة منخفضة المستوى.
2. بنية ثنائية المنصة: إطار عمل موحد يدعم الحوسبة ثنائية القطب عالية المستوى للأجهزة المحمولة والحوسبة الثنائية منخفضة المستوى لمسرعات الأجهزة (FPGA/ASIC)، مما يتيح النشر عبر بيئات متنوعة محدودة الموارد.
3. هندسة ميزات محسّنة: تنفيذ اختيار الميزات القائم على المعلومات المتبادلة واستراتيجيات ترميز متخصصة (بما في ذلك تسلسلات Sobol العشوائية شبه المنتظمة والترميز أحادي القطب) لتعزيز دقة الكشف وكفاءة استهلاك الطاقة.
4. تحقق شامل: تقييم واسع النطاق عبر ثلاث منصات متميزة: نموذج أولي FPGA (PYBTN-Z2)، ومعالج مدمج يعتمد على ARM، ونظام ساعة ذكية وهاتف ذكي (Samsung Galaxy Watch4/S21 Ultra).

النتائج
أظهر التقييم أن AMS-HD يحقق أداءً تنافسياً أو متفوقاً مقارنة بالنماذج المرجعية التقليدية لتعلم الآلة (SVM وMLP) مع تقليل استهلاك الموارد بشكل جذري:

• الدقة: في مجموعة البيانات الأساسية، حقق AMS-HD دقة تصل إلى 91% ودرجة 90% في مقياس F1 في التصنيف الثنائي (باستخدام ترميز Sobol + Unary مع بُعد D=256). كما حقق دقة بنسبة 85% على مجموعات بيانات خارجية متعلقة بداء المرتفعات دون إعادة تدريب، مما أظهر قدرة قوية على التعميم.
• أداء FPGA: على لوحة PYNQ-Z2، قلل AMS-HD من استخدام جداول البحث (LUT) بمقدار 7.3 ضعف واستخدام الـ Flip-Flop بمقدار 5.8 ضعف مقارنة بـ MLP. كما استهلك طاقة أقل بمقدار 3.9 ضعف من نموذج MLP الأساسي (1.6 واط مقابل 6.2 واط) وتطلب 16 دورة ساعة فقط للاستدلال.
• الأداء على الأجهزة المحمولة: على المنصات المحمولة، تطلب AMS-HD انخفاضاً في البطارية بنسبة 1% فقط لكل جلسة، واستخدم 60 بايت من الذاكرة، وحقق زمن استدلال قدره 2.50 مللي ثانية. ويمثل هذا انخفاضاً في استهلاك الطاقة بنحو ضعفين مقارنة بـ SVM وأكثر من 3 أضعاف مقارنة بـ MLP.
• القدرة على التصنيف متعدد الفئات: نجح إطار العمل في التوسع إلى تصنيف شدة المرض متعدد الفئات، محققاً دقة تصل إلى 76%، مما يتيح مراقبة أدق لتطور داء المرتفعات الحاد.

الأهمية
تزعم الورقة أن AMS-HD يمثل خطوة تحولية لتطبيقات الطب الحيوي محدودة الموارد. فمن خلال الاستفيد من الكفاءة المتأصلة للحوسبة فائقة الأبعاد، يوفر إطار العمل بديلاً قابلاً للتوسع وواعياً بالأجهزة مقارنة بالتعلم الآلي التقليدي. إنه يتيح المراقبة المستمرة وفي الوقت الفعلي لداء المرتفعات الحاد دون الاعتماد على الاتصال بالسحابة أو الموارد الحوسبية الثقيلة. يضع هذا العمل حجر الأساس للإدارة الاستباقية لأمراض المرتفعات، ويقدم مساراً عملياً لنشر أنظمة المراقبة الصحية المستمرة في البيئات النائية والصعبة حيث تكون قدرات الطاقة والمعالجة محدودة. ويصنف المؤلفون هذا العمل كتدفق تصميم كامل من المفهوم الخوارزمي إلى التنفيذ في الأجهزة، لمعالجة فجوة حرجة في تقنيات الصحة القابلة للارتداء الحالية.