剑桥的TTP公司开发了一种创新的低功耗人工智能（AI）系统，专门用于植入式医疗设备。该公司的AI框架能够对实时心电图数据进行高效分类，并在有限的功率预算下筛选出潜在的心律失常，特别适合与植入式起搏器配合使用。

AI的核心能力之一是模式识别，这一功能在闭环治疗中尤为关键，如除颤器和刺激器，可以显著提高对体内电或神经活动的分类准确性。然而，传统的AI系统存在两个主要问题：它们会迅速耗尽医疗植入器材中有限的电量，并且通常需要持续的互联网连接，这对于维持生命的关键系统来说并不理想。

为了克服这些挑战，TTP的开发团队采用了Analog Devices提供的现成微控制器和专用的低功耗神经网络加速器，构建了一个能够在植入式起搏器的功率预算下工作的系统。他们还开发了新技术，可以根据系统硬件设计的变化来训练用于信号分类的AI模型。

在开发过程中，团队特别注重训练AI模型以适应低功耗人工智能加速器，从而降低分辨率。通过量化感知训练技术，AI模型在训练时就能预测到其性能会如何随着数据分辨率的降低而变化，这有助于保持在8位分辨率下的高性能。

此外，由于体内心电图数据的幅度受到多种因素的影响，包括电接触、个体差异和心脏活动，团队还重新设计了模拟前端，以利用完整的动态范围，并可能在信号数字化之前动态调整增益，从而消除特征幅度造成的偏差。

实施低功耗AI的另一个挑战是时机问题。为了降低功耗，边缘设备大部分时间处于关闭状态，这意味着无法连续进行采样和信号分类。由于预先标记的训练数据集通常是时间对齐的，训练的AI模型期望看到的是采样窗口中间的数据。因此，如果采样和数据处理开始的时间不当，可能会导致数据丢失或电池电量浪费，或者降低分类性能。

为了解决这个问题，TTP的系统需要在模拟域中对数据进行预处理，以确保在低功耗系统中实现采样和推理的高效定时。通过这些创新，TTP的低功耗AI系统为植入式医疗设备提供了一个高效、准确的解决方案，同时减少了对电池电量的依赖和对持续网络连接的需求。