IIS Magazin

Einem Schlaganfall geht vielfach ein sporadisches Herzflimmern voraus – dieses bleibt meist jedoch unbemerkt. Denn Langzeit-EKGs lassen sich nur über einen begrenzten Zeitraum von wenigen Tagen abrechnen. In dieser kurzen Zeit ein Herzstolpern aufzuzeichnen, gleicht jedoch einem Zufallstreffer. Sinnvoll ist es daher, für die Aufnahme des EKGs private Wearables zu nutzen. Entsprechende Demonstratoren hat das Fraunhofer IIS bereits entwickelt: Ein Fitness-Shirt, das ein einkanaliges EKG aufzeichnet, sowie ein CardioTEXTIL, das ein 3-Kanal-EKG in medizinischer Qualität erstellt und bei einem Vorhofflimmern Alarm schlagen könnte.

Sieger im Innovationswettbewerb


Essentiell für solche Wearables ist, die aufgezeichneten EKG-Daten möglichst energieeffizient auswerten zu können. Aus diesem Grund hat das Bundesforschungsministeriums BMBF den Pilotinnovationswettbewerb »Energieeffizientes KI-System« ins Leben gerufen. Die Aufgabe: Vorhofflimmern mit mindestens 90 Prozent Genauigkeit erkennen und dabei am wenigsten Energie zu verbrauchen. 27 Teams bewarben sich um eine Teilnahme, 11 davon bekamen 400.000 Euro, um ihre Ideen zu implementieren. So auch das Team aus Fraunhofer IIS und Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU) mit ihrem Projekt »Lo3-ML – Low-Power Low-Memory Low-Cost EKG-Signalanalyse mit ML-Algorithmen« – sie erreichten das Ziel als eines der vier Siegerteams.  

Als Basis bekamen die Teams 16000 einzelne EKG-Aufnahmen von je zwei Minuten Länge von der Berliner Charité gestellt. Die ersten Entwicklungsschritte lagen beim Fraunhofer IIS, genauer gesagt bei den Gruppen von Dr. Marco Breiling und Matthias Struck. Grob kann man sagen: Strucks Team brachte das medizintechnische Know-How ein, beide Teams entwickelten gemeinsam die Algorithmen und Tools, Breilings Gruppe kümmerte sich schließlich um die finale Energieeffizienz-Optimierung. Einer der Hauptansätze bildet die Verwendung von ternären Gewichten. »Die Eingangssignale werden bei neuronalen Netzen mit speziellen Zahlenfaktoren gewichtet und dann aufsummiert. Das Multiplizieren mit vielen Bits ist jedoch sehr aufwändig und damit energieintensiv«, erläutert Breiling. Das Team setzte daher auf eine ternäre Gewichtung – sprich: Für die Gewichtung der Eingangssignale werden nur drei Größen genutzt, und zwar -1, 0 und +1. Ist ein Zwischensignal beispielsweise unwichtig, dann wird es mit null multipliziert – was null ergibt. »Auch entsprechende Tools für die Entwicklung solcher ternärer Systeme haben wir entwickelt«, ergänzt Struck.

Schlafen spart Energie 


Aus den entwickelten Algorithmen konstruierten die Partner der FAU, allen voran die Gruppe um Dr. Marc Reichenbach, eine digitale Schaltung, die sie mit einer Hardware-Beschreibungssprache beschrieben. Dieser Programmcode wiederum ging ans Fraunhofer IIS in Dresden, genauer gesagt an die Gruppe von Dr. Jens Döge: Sie überführte den Code in eine Beschreibung, aus der sich ein Schaltkreis fertigen lässt. Im Zuge der Energieeffizienz legen die Forscher und Forscherinnen einen Chip-Teil immer wieder »schlafen«. Denn: Um ein EKG-Signal von 12,7 Sekunden Länge auszuwerten, braucht der schnelle Digital-Chip lediglich 0,02 Sekunden. Während ein Chipteil permanent aktiv ist und die Daten einsammelt, wird der zweite Teil nur dann aufgeweckt, wenn er etwas zu tun hat, also nur 0,2% der Zeit – das spart bis zu 95 Prozent der Energie. »Ein weiterer wichtiger Punkt ist der Einsatz nicht-flüchtiger Speicher«, sagt Döge. Diese sorgen dafür, dass der Speicher des Chips beim Aufwachen nicht leergefegt ist, sondern alle Informationen umgehend verfügbar sind. Man spricht dabei von Resistive RAMs oder RRAMs. Die benötigten RRAM-Schreib- und Leseschaltungen wurden von einem FAU-Team um Prof. Amelie Hagelauer entwickelt.

Doch den vielleicht größten Beitrag seines Teams zum Projekt sieht Döge darin, mit den Überlegungen auf einem ganz hohem Abstraktionsniveau angefangen zu haben. »Normalerweise hat jeder seine Vorstellung im Kopf, wo es hingeht – diese einfach zusammenzuführen, war allerdings wenig zielführend. Wir mussten vielmehr ganz vorne bei der Architektur neu anfangen, um im Detail erkennen zu können, wo sich am meisten Energie einsparen lässt. Das ist erst im Rahmen des Projekts in vielen Detailoptimierungen anhand von Simulationen der Leistungsaufnahme des Gesamtsystems unter Berücksichtigung der Einflüsse der einzelnen Komponenten gereift – und genau da sehen wir unseren Beitrag.« Auch Breiling, der das Projekt koordinierte, zeigt sich begeistert von der Kooperation: »Ich bin seit 19 Jahren am Fraunhofer IIS, aber eine so gute und engagierte Zusammenarbeit habe ich noch nicht erlebt.«

Die entwickelte Technologie lässt sich nicht nur für die Auswertung von EKG-Daten nutzen, sondern auf die Auswertung aller möglichen Zeitreihen anpassen – etwa bei Hörgeräten oder für die Zustandsüberwachung von technischen Systemen (Condition Monitoring und Predictive Maintenance). Der Preis, den das Team erhalten hat, besteht zudem in einem Nachfolgeprojekt, das die Ergebnisse zur Verwertung bringt. »Wir wollen dafür sorgen, dass Deutschland beim praktischen Einsatz von KI ganz vorne mitspielt«, sagt Breiling. »Das Nachfolgeprojekt kommt da wie gerufen: Es erlaubt uns, die Entwicklung von neuromorpher Hardware im Rahmen unserer Next-Generation-Computing-Initiative weiter voranzutreiben.«

Beitrag von Dr. Janine van Ackeren

Weitere Informationen zu unseren Technologien finden Sie hier:

KI-basierte Biosignalanalyse aus Wearables

Medical Grade Wearables

Wie kam das Projekt KI-PREDICT zustande und welche Idee steckt dahinter?

Dr. Völker: Der Schwerpunkt in unserer Abteilung ist die Entwicklung von integrierten Schaltungen für die sensornahe analoge und digitale Signalverarbeitung. Auf Basis der Entwicklungen im Bereich der KI ist es heutzutage möglich, KI-Funktionen direkt am Sensor sehr energiesparend zu integrieren.

Wir haben also nicht nur das analoge Interface zum Sensor und eine digitale Filterung, sondern wir gehen mit KI-PREDICT einen Schritt weiter und bringen Teile der KI-Funktionen mit in den Sensor ein. Der Sensor wird so aufgebaut, dass sich die Erfassung, die Berechnung und die Auswertung der Daten auf ihm befindet.

Welches Ziel verfolgt das Projekt?

Dr. Völker: In dem Projekt entwickeln wir eine integrierte Schaltung, bei der sowohl die analoge Schnittstelle, d.h. die Verbindung direkt zum Sensor, als auch eine digitale Auswertung mit KI-Funktionen integriert sind. Diese Auswertung ist dann auf die Anwendungen, die im Projekt betrachtet werden, angepasst. Durch diese anwendungsspezifische integrierte Schaltung können wir Daten schneller verarbeiten, als es mit einem Standard-Mikrokontroller möglich wäre.

So können klassische Industriebusse, die den Sensor mit der Steuerung verbinden, zum Einsatz kommen. Diese Busse lassen nur relativ geringe Datenraten zu. Sie übertragen dann nicht nur die Messdaten, sondern auch die Zusatzinformationen, die man durch die KI gewinnt, wie z.B. Informationen über den Sensorzustand oder über den Zustand des Werkstücks. Damit werden die klassischen Industriebusse mit neuen Funktionen erweitert. Diese Erweiterung und Integration ist das Ziel des Projektes.

Welche Erkenntnisse/Kompetenzen gewinnt das Fraunhofer IS in diesem Projekt dazu?

Dr. Völker: Wir haben in diesem Projekt die Möglichkeit, Beschleunigereinheiten für KI-Funktionen zu entwickeln und eine möglichst effiziente Anbindung dieser Funktionen in unseren integrierten Schaltkreis (IC) zu untersuchen. Das erfolgt in Zusammenarbeit mit den Partnern und ermöglicht uns, diese einzelnen Funktionen zu testen, und zu untersuchen, wie die optimale Anbindung ist. So ist es möglich, unsere Vorentwicklung nach dem tatsächlichen Bedarf der Industrie auszurichten und eventuelle Probleme im Voraus abzuklären, bevor wir die Entwicklung den Industriekunden präsentieren.

Auf der anderen Seite ist es bei KI-Entwicklungen immer wichtig, genügend Datenmaterial zu haben. Genau dies erlaubt uns das Projekt: Es enthält drei Messkampagnen, die bei den Firmen in ihren Produktionsumgebungen laufen. Wir und die Projektpartner bekommen damit sehr hochaufgelöste Echtzeitdaten, mit denen die KI trainiert wird und wir unsere Entwicklungen in der Anwendung testen.

In welchem Kontext steht das Projekt innerhalb der KI-Kompetenz des Instituts? Bestehen z. B. Anknüpfungspunkte zu anderen Abteilungen oder Bereichen?

Dr. Völker: Das Projekt passt sich sehr gut in die KI-Kompetenzen des Instituts ein. Wir entwickeln dabei Hardwarekomponenten für KI-Funktionen, die beispielsweise die Themen der neuromorphen Hardware ergänzen. Unsere Feature Extraction Merkmalsextraktion kann neuronalen Netzen vorgeschaltet oder auch für klassische Machine-Learning-Funktionen verwendet werden.

Auf der anderen Seite nutzen wir gerade auch diese Erkenntnisse in Zusammenarbeit mit der Gruppe »Machine Learnig & Validation«, welche reine Software Angebote entwickelt. Mit den Ergebnissen, die wir durch die Hardware-Beschleunigung haben, sind wir im Stande, dort im Projekt und in dem Themenfeld ein neues Angebot zu erschaffen. Das versieht unsere spezielle Hardware mit einem weiteren Vorteil im Vergleich gegenüber dem Standardprodukt.