Evolutionary Design of Reduced Precision Preprocessor for Levodopa-Induced Dyskinesia Classifier

Kartézské genetické programování, kompoziční evoluce, prediktory fitness s adaptivní velikostí, levodopou indukovaná dyskineze, aproximace magnitudy, energeticky úsporné

Cílem této práce je navrhnout hardwarově efektivní implementaci předzpracování dat v úloze klasifikace levodopou indukované dyskineze. V rámci řešení této úlohy jsou implementovány a porovnávány tři přístupy: 1) evoluce aproximace magnitudy pomocí karteziánského genetického programování, 2) návrh předzpracování pomocí dvoupopulační koevoluce (2P-CoEA) kartézských programů a prediktorů fitness, které jsou malými podmnožinami trénovací množiny, a 3) návrh pomocí třípopulační koevoluce (3P-CoEA) kombinující kompoziční koevoluci preprocesoru a klasifikátoru s koevolucí prediktorů fitness. Experimentální výsledky ukazují, že všechny tři zkoumané přístupy jsou schopny navrhnout energeticky úsporná řešení, vhodná pro implementaci v hardwaru, s kvalitou srovnatelnou se základní softwarovou implementací. Návrh přibližné magnitudy vede ke správně fungujícím řešením, která jsou však energeticky náročnější než ostatní zkoumané přístupy. 3P-CoEA je schopen kompozičně navrhnout preprocesor i klasifikátor, přičemž dosahuje menších řešení než návrh přibližné magnitudy. Prezentovaný 2P-CoEA vede k nejmenším a energeticky nejúspornějším řešením, a navíc navrhl řešení s výrazně lepší kvalitou klasifikace pro část testovacích dat ve srovnání se softwarovou implementací.