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

Technische Zusammenfassung: AMS-HD: Hyperdimensionales Computing für die Echtzeit- und energieeffiziente Erkennung der Akuten Bergkrankheit

Problemstellung
Die Akute Bergkrankheit (AMS) ist eine weit verbreitete Erkrankung, die Personen betrifft, die auf Höhen über 2.500 Meter aufsteigen, mit Symptomen, die von Kopfschmerzen und Übelkeit bis hin zu lebensbedrohlichen zerebralen oder pulmonalen Ödemen reichen. Während die kontinuierliche Überwachung physiologischer Signale durch Wearables einen vielversprechenden Weg für die Früherkennung bietet, erfüllen herkömmliche Methoden des maschinellen Lernens (ML) (z. B. Support Vector Machines, Multi-Layer Perceptrons) oft nicht die strengen Anforderungen an Echtzeitfähigkeit und Energieeffizienz ressourcenbeschränkter tragbarer und eingebetteter Geräte. Diese traditionellen Modelle benötigen typischerweise erhebliche Rechenressourcen, hohe Speicherbedarfe und einen beträchtlichen Stromverbrauch, was ihre Eignung für eine „always-on"-Gesundheitsüberwachung in abgelegenen Hochgebirgsregionen einschränkt.

Methodik: Das AMS-HD-Framework
Die Autoren stellen AMS-HD vor, das erste Framework für hyperdimensionales Computing (HDC), das speziell für die Echtzeiterkennung von AMS entwickelt wurde. HDC ist ein vom Gehirn inspiriertes Paradigma, das Daten als hochdimensionale Hypervektoren (HV) darstellt und robuste, rauschtolerante Berechnungen durch einfache Vektoroperationen (Bindung, Bündelung, Permutation) anstelle komplexer Arithmetik ermöglicht.

Das Framework zeichnet sich durch sein einzigartiges Zweischichtendesign aus, das von der hochrangigen Software bis zur hardwarenahen Ebene reicht:

1. Hochrangige bipolare Berechnung (-1/+1): Diese Schicht ist für mobile Plattformen (Smartphones und Smartwatches) konzipiert und nutzt bipolare Vektoren für eine effiziente Inferenz auf allgemeinen Prozessoren.
2. Niedrigrangige binäre Berechnung (0/1): Diese Schicht ist für Field-Programmable Gate Arrays (FPGA) und anwendungsspezifische integrierte Schaltkreise (ASIC) optimiert und verwendet binäre Logik, um die Nutzung von Hardware-Ressourcen und den Stromverbrauch zu minimieren.

Wichtige technische Komponenten:

• Merkmalsauswahl: Das System nutzt die gegenseitige Information (Mutual Information, MI), um die aussagekräftigsten physiologischen Merkmale zu identifizieren. Die Analyse bestätigte, dass die Sauerstoffsättigung (SpO2) und die Herzfrequenz (HR) die dominierenden Prädiktoren sind, während blutbasierte Variablen (z. B. Hämatokrit, Kohlenmonoxid) aus der Echtzeit-Pipeline ausgeschlossen wurden, da sie nicht über Wearables zugänglich sind.
• Codierungsstrategien: Das Framework verwendet verschiedene Codierungstechniken zur Generierung von Hypervektoren, darunter pseudo-zufällige, quasi-zufällige (Sobol-Folgen) und auf Hadamard-Matrizen basierende Codierungen. Eine neuartige Thermometer-Codierung (unär) wird im Hardware-Design implementiert, um kontinuierliche skalare Merkmale (wie SpO2 und HR) auf binäre Vektoren abzubilden, wobei numerische Nähe und Korrelation erhalten bleiben.
• Positionscodierung: Um zeitliche und ereignisbasierte Kontexte zu verarbeiten (z. B. Basislinie vs. Nacht vs. Nachtschritte), integriert das System eine Positionscodierung, die es dem Modell ermöglicht, verschiedene Stadien der Höhenexposition zu unterscheiden, ohne dass in der aktuellen Datenauswertung dichte kontinuierliche Zeitreihenströme erforderlich sind.
• Klassifizierung: Das Modell führt sowohl eine binäre Klassifizierung (AMS vs. kein AMS) als auch eine multiklassenbasierte Klassifizierung (Schweregrade: Mild, Mäßig, Schwer) durch. Die Inferenz erfolgt über eine Ähnlichkeitssuche (z. B. Kosinusähnlichkeit oder Hamming-Abstand) zwischen einem Abfrage-Hypervektor und gespeicherten Klassen-Hypervektoren.

Wichtige Beiträge

1. Erstes HDC-Framework für AMS: Einführung von AMS-HD als erste vollständige HDC-basierte Lösung zur Erkennung von Höhenkrankheit, die die Lücke zwischen Inferenz auf Wearables und der hardwarenahen Bereitstellung schließt.
2. Dual-Plattform-Architektur: Ein einheitliches Framework, das hochrangige bipolare Berechnung für mobile Geräte und niedrigrangige binäre Berechnung für Hardware-Beschleuniger (FPGA/ASIC) unterstützt und somit den Einsatz in diversen ressourcenbeschränkten Umgebungen ermöglicht.
3. Optimiertes Feature-Engineering: Implementierung einer MI-basierten Merkmalsauswahl und spezialisierter Codierungsstrategien (einschließlich quasi-zufälliger Sobol-Folgen und unärer Codierung) zur Verbesserung der Erkennungsgenauigkeit und Energieeffizienz.
4. Umfassende Validierung: Ausführliche Evaluierung auf drei verschiedenen Plattformen: einem FPGA-Prototyp (PYNQ-Z2), einem ARM-basierten eingebetteten Prozessor und einem Smartwatch-Smartphone-System (Samsung Galaxy Watch4/S21 Ultra).

Ergebnisse
Die Evaluierung zeigt, dass AMS-HD im Vergleich zu herkömmlichen ML-Baselines (SVM und MLP) eine konkurrenzfähige oder überlegene Leistung erzielt und dabei den Ressourcenverbrauch drastisch reduziert:

• Genauigkeit: Auf dem primären Datensatz erreichte AMS-HD bis zu 91 % Genauigkeit und einen F1-Score von 90 % bei der binären Klassifizierung (unter Verwendung von Sobol + unärer Codierung mit D=256). Zudem wurde auf externen AMS-bezogenen Datensätzen ohne Nachtraining eine Genauigkeit von 85 % erzielt, was eine starke Generalisierungsfähigkeit demonstriert.
• FPGA-Leistung: Auf dem PYNQ-Z2-FPGA reduzierte AMS-HD die Nutzung von Look-Up-Tables (LUT) um das 7,3-fache und die Nutzung von Flip-Flops (FF) um das 5,8-fache im Vergleich zu einem MLP. Der Stromverbrauch war 3,9-mal geringer als bei der MLP-Baseline (1,6 W vs. 6,2 W), und für die Inferenz waren lediglich 16 Taktzyklen erforderlich.
• Mobile Leistung: Auf mobilen Plattformen benötigte AMS-HD pro Sitzung nur einen Batterieabfall von 1 %, nutzte 60 Bytes Speicher und erreichte eine Inferenzzeit von 2,50 ms. Dies entspricht einem etwa 2-mal niedrigeren Energieverbrauch als bei SVM und einem >3-mal niedrigeren als bei MLP.
• Multiklassen-Fähigkeit: Das Framework wurde erfolgreich auf die multiklassenbasierte Schweregradklassifizierung erweitert und erreichte bis zu 76 % Genauigkeit, was eine feinere Überwachung des AMS-Verlaufs ermöglicht.

Bedeutung
Die Arbeit behauptet, dass AMS-HD einen transformativen Schritt für ressourcenbeschränkte biomedizinische Anwendungen darstellt. Durch die Nutzung der inhärenten Effizienz des hyperdimensionalen Computings bietet das Framework eine skalierbare, hardwarebewusste Alternative zum traditionellen maschinellen Lernen. Es ermöglicht eine kontinuierliche, Echtzeit-Überwachung von AMS ohne Abhängigkeit von Cloud-Konnektivität oder schweren Rechenressourcen. Diese Arbeit legt den Grundstein für ein proaktives Management von Höhenkrankheiten und bietet einen praktischen Weg zur Implementierung kontinuierlicher Gesundheitsüberwachungssysteme in abgelegenen und herausfordernden Umgebungen, in denen Strom und Verarbeitungskapazitäten begrenzt sind. Die Autoren positionieren dies als einen vollständigen Designfluss vom algorithmischen Konzept bis zur Hardware-Implementierung, der eine kritische Lücke in aktuellen tragbaren Gesundheitstechnologien schließt.