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

Cílem této práceje navrhnout hardwarově efektivní implementaci předzpracování dat v úloze klasifikacelevodopou indukované dyskineze. V rámci řešení této úlohy jsouimplementovány a porovnávány tři přístupy: 1) evoluce aproximace magnitudypomocí karteziánského genetického programování, 2) návrh předzpracování pomocídvoupopulační koevoluce (2P-CoEA) kartézských programů a prediktorů fitness,které jsou malými podmnožinami trénovací množiny, a 3) návrh pomocítřípopulační koevoluce (3P-CoEA) kombinující kompoziční koevoluci preprocesorua klasifikátoru s koevolucí prediktorů fitness. Experimentální výsledkyukazují, že všechny tři zkoumané přístupy jsou schopny navrhnout energetickyúsporná řešení, vhodná pro implementaci v hardwaru, s kvalitou srovnatelnou sezákladní softwarovou implementací. Návrh přibližné magnitudy vede ke správněfungujícím řešením, která jsou však energeticky náročnější než ostatní zkoumanépřístupy. 3P-CoEA je schopen kompozičně navrhnout preprocesor i klasifikátor,přičemž dosahuje menších řešení než návrh přibližné magnitudy. Prezentovaný2P-CoEA vede k nejmenším a energeticky nejúspornějším řešením, a navíc navrhlřešení s výrazně lepší kvalitou klasifikace pro část testovacích dat vesrovnání se softwarovou implementací.