동맥 내경 변위 모니터링을 위한 머신러닝 파이프라인의 HDL 설계에 관한 연구 = A Study on HDL Design of Machine Learning Pipeline for Arterial Distension Monitoring

국문 초록 (Abstract)

본 연구는 1D-CNN(1 Dimensional Convolutional Neural Network) 기반의 머신러닝 파이프라인을 이용한 동맥 내경 변위 모니터링용 HDL(Hardware Description Language) 설계와 이를 위한 설계 기법을 제안한다.
이전 연구에서 설계한 1D-CNN 모델은 경동맥 탐지 여부와 동맥 내경 계측만 가능했지만, 본 연구에서는 기존 모델의 구조를 단일 합성곱 구조로 재구성하여 경량화하고, 두 번째 스테이지에 모델을 추가하여 내경 변위 파형의 품질을 검토하고 초음파 트랜스듀서의 경동맥 중심 정렬 여부를 판별하도록 설계하였다. CNN의 전반적인 동작은 4MHz, 합성곱 연산부(MAC: Multiply-Accumulate)는 8MHz 또는 16MHz에서 동작하도록 설계하여 합성곱 연산에 필요한 레지스터 수를 줄였다. 이를 통해 경동맥 탐지를 위한 모델의 플립플롭 수는 2258개에서 1178개로 47.8% 감소하였고, 경동맥 중심 정렬 여부를 판별하는 모델의 플립플롭 수는 2180개에서 1118개로 48.7% 감소하였다.
이로써 머신러닝 파이프라인 구조를 구현하기 위해 필요한 전체 플립플롭 수는 48.3% 감소하게 되었으며, 하나의 머신러닝 모델을 구현하는데 필요한 하드웨어 리소스와 유사한 수준으로 두 개의 머신러닝 모델 구현이 가능해졌다. 측정을 통해 검증한 결과, 제안하는 머신러닝 파이프라인 구조를 사용하여 경동맥을 탐지하고, 중심 정렬 여부까지 자동으로 판단할 수 있음을 확인하였으며 측정 과정에서 사람에 의한 영향을 최소화 할 수 있다는 가능성을 제시한다. 또한 1D-CNN의 합성곱 연산부의 동작 주파수를 분리하는 설계를 통해 하드웨어 리소스를 절감하고, 머신러닝 파이프라인 구조를 통해 측정 정밀도를 향상시킬 수 있음을 보여준다.

다국어 초록 (Multilingual Abstract)

This study proposes an HDL (Hardware Description Language) design and an associated design methodology for arterial diameter displacement monitoring using a 1D-CNN (One-Dimensional Convolutional Neural Network)–based machine learning pipeline. The 1D-CNN model developed in previous work was capable only of carotid detection and arterial diameter estimation. In this study, the original model architecture was restructured into a single-convolution configuration to reduce hardware complexity, and a second-stage model was additionally implemented to evaluate the quality of the measured diameter-displacement waveform and to determine whether the ultrasound transducer is centrally aligned with the carotid artery.
The overall CNN operates at 4 MHz, while the convolutional MAC (Multiply–Accumulate) units are designed to run at 8 MHz or 16 MHz, thereby reducing the number of registers required for convolution operations.
As a result, the number of flip-flops used in the carotid-detection model was reduced from 2,258 to 1,178 (47.8%), and the flip-flop count of the central-alignment classification model was reduced from 2,180 to 1,118 (48.7%). Consequently, the total amount of flip-flops required to implement the entire machine learning pipeline decreased by 48.3%, enabling two machine learning models to be realized using hardware resources comparable to those previously required for a single model.
Measurement-based verification demonstrated that the proposed pipeline can automatically detect the carotid artery and determine central alignment, suggesting that the influence of human intervention during measurement can be significantly reduced. Furthermore, separating the operating frequencies of the convolutional units in the 1D-CNN effectively reduces hardware resource usage and improves measurement precision through the proposed machine learning pipeline architecture.

목차 (Table of Contents)

• 제 1 장 서 론
• 제 1 절 연구 배경
• 제 2 장 선행 연구
• 제 1 절 1D-CNN 기반 동맥 내경 모니터링 초음파 스캐너
• 제 2 절 Grad-CAM을 활용한 경동맥 내경 계측
• 제 3 절 기존 연구의 한계 분석과 개선 방안
• 제 3 장 제안하는 시스템의 구조 및 원리
• 제 1 절 머신러닝 파이프라인
• 제 2 절 제1 모델: A-mode 에코 패턴 인식 추론기
• 제 3 절 파이프라인 구조를 위한 인터페이스 모듈
• 제 4 절 제2 모델: 내경 변위 파형 패턴 인식 추론기
• 제 4 장 머신러닝 파이프라인 구조 설계
• 제 1 절 소프트웨어 설계
• 1. 데이터 전처리 및 라벨링
• 2. 모델 구조 및 하이퍼 파라미터 설정
• 3. 학습 결과
• 제 2 절 하드웨어 설계
• 1. 회로 블록 다이어그램
• 2. 1D-CNN 모델 설계
• 3. 연산 단계별 클럭 분리를 이용한 합성곱 연산 경량화
• 4. 인터페이스 모듈 설계
• 제 5 장 머신러닝 파이프라인 구조 구현 결과
• 제 1 절 FPGA를 사용한 머신러닝 파이프라인 구조 구현
• 1. Vivado 시뮬레이션 검증
• 2. FPGA를 사용한 성능 검증
• 제 2 절 머신러닝 파이프라인 구조의 ASIC 설계
• 제 6 장 결론