Evolutionary Design of Reduced Precision Levodopa-Induced Dyskinesia Classifiers

Kartézské genetické programování, koevoluce, prediktory fitness s adaptivní velikostí, energeticky úsporné, hardwarově orientované, aritmetika s pevnou desetinnou čárkou, levodopou indukovaná dyskineze, Parkinsonova choroba

Parkinsonova choroba je jedním z nejčastějších neurologických onemocnění, jehož příznaky se obvykle léčí lékem obsahujícím levodopu. K minimalizaci nežádoucích účinků levodopy, tj. levodopou indukované dyskineze (LID), je nutné správně řídit dávkování levodopy. Tento článek se zabývá aplikací kartézského genetického programování (CGP) k ohodnocení LID na základě časových řad získaných pomocí akcelerometrů připevněných k tělu pacienta. Evoluční návrh klasifikátorů LID se sníženou přesností je zkoumán s cílem nalézt hardwarově efektivní klasifikátor spolu s klasifikační přesností co nejbližší základní softwarové implementaci. CGP vybavené koevolucí prediktorů fitness s adaptivní velikostí (coASFP) je použito k návrhu klasifikátorů LID pracujících s aritmetikou s pevnou desetinnou čárkou a sníženou přesností, která je vhodná pro implementaci v zákaznických integrovaných obvodech. V této konkrétní úloze jsme dosáhli výrazného snížení výpočetní náročnosti evolučního návrhu ve srovnání s původním CGP. CoASFP navíc v této úloze účinně zabránilo přeučení. Experimenty s návrhem LID-klasifikátoru se sníženou přesností ukazují, že evoluční klasifikátory pracující s 8bitovou bezznaménkovou celočíselnou reprezentací dat spolu se škálováním vstupních dat pomocí logického posunu doprava nejen výrazně překonaly hardwarové charakteristiky všech ostatních zkoumaných řešení, ale také dosáhly lepší přesnosti klasifikátoru ve srovnání s klasifikátory pracujícími s čísly s plovoucí desetinnou čárkou.