Year: 2026
Type: dissertation
Abstract: Edge Artificial Intelligence (Edge AI) is the field of study dedicated to deploying AI algorithms, as neural networks, directly on the resource-constrained devices that acquire and process data locally. This thesis investigates the methodologies and workflows for implementing neural networks on Field-Programmable Gate Arrays (FPGAs) and Microcontroller Units (MCUs), addressing the critical trade-offs between model performance, latency, resource utilization, and energy consumption. Following an introduction to Edge AI fundamentals, the thesis provides comprehensive coverage of neural network architectures—specifically Multilayer Perceptrons (MLPs) and Convolutional Neural Networks (CNNs)—along with their training and validation methodologies. The hardware platforms are then examined in detail, with particular focus on AMD Zynq 7000 series devices and contemporary MCUs, including the specific implementation workflows available for each platform. The developed methodologies are validated through three Edge AI use cases relevant to biosignal processing. First, meat quality detection demonstrates MLP implementation with fixed-point optimization, achieving 92.72% classification accuracy on a Zynq 7020 FPGA with an inference time below 2 μs. Second, phonocardiogram segmentation for cardiovascular disease screening employs a U-Net-based CNN architecture, attaining real-time performance with 17.77 ms latency and 2.38 mJ energy per inference while maintaining 91.14% accuracy. These implementations serve as testbenches for evaluating optimization techniques at both software and hardware levels. The third use case focuses on motor-imagery classification from electroencephalography signals for brain-computer interfaces. This comprehensive study encompasses the development and deployment of EEGNet and MI-BMInet architectures across multiple FPGA and MCU platforms, with results benchmarked against state-of-the-art implementations. The MI-BMInet achieves 594 μs latency on a Zynq UltraScale+ device, while the EEGNet implementation on an ARM Cortex-M4F MCU consumes only 2.55 mJ per inference. The work culminates in a complete prototype integrating custom EEG acquisition hardware with on-device neural network processing, demonstrating real-time motor-imagery detection from raw physiological signals. This thesis establishes a comprehensive methodology for efficient Edge AI implementation, contributing novel techniques for architecture hyperparameterization, fixed-point quantization strategies, and systematic power optimization through voltage and frequency scaling. The complete end-to-end prototype validates the practical feasibility of deploying sophisticated neural networks on resource-constrained edge devices for real-time biosignal processing applications. La Inteligencia Artificial en la Frontera (Edge AI) es el campo de estudio dedicado al despliegue de algoritmos de IA, como las redes neuronales, directamente en dispositivos con recursos limitados que adquieren y procesan datos localmente. Esta tesis investiga las metodologías y flujos de trabajo para implementar redes neuronales en Matrices de Puertas Programables en Campo (FPGAs) y Unidades Microcontroladoras (MCUs), abordando los compromisos críticos entre rendimiento del modelo, latencia, utilización de recursos y consumo de energía. Tras una introducción a los fundamentos de Edge AI, la tesis proporciona una cobertura exhaustiva de las arquitecturas de redes neuronales—específicamente Perceptrones Multicapa (MLPs) y Redes Neuronales Convolucionales (CNNs)—junto con sus metodologías de entrenamiento y validación. Posteriormente se examinan en detalle las plataformas hardware, con especial atención a los dispositivos de la serie AMD Zynq 7000 y MCUs contemporáneos, incluyendo los flujos de trabajo de implementación específicos disponibles para cada plataforma. Las metodologías desarrolladas se validan mediante tres casos de uso de Edge AI relevantes para el procesamiento de bioseñales. Primero, la detección de calidad de carne demuestra la implementación de MLP con optimización de punto fijo, alcanzando un 92.72% de precisión de clasificación en una FPGA Zynq 7020 en menos de 2 µs. Segundo, la segmentación de fonocardiogramas para el cribado de enfermedades cardiovasculares emplea una arquitectura CNN basada en U-Net, logrando rendimiento en tiempo real con 17.77 ms de latencia y 2.38 mJ de energía por inferencia mientras mantiene un 91.14% de precisión. Estas implementaciones sirven como bancos de pruebas para evaluar técnicas de optimización tanto a nivel software como hardware. El tercer caso de uso se centra en la clasificación de imaginación motora a partir de señales de electroencefalografía para interfaces cerebro-computadora. Este estudio exhaustivo abarca el desarrollo y despliegue de las arquitecturas EEGNet y MI-BMInet en múltiples plataformas FPGA y MCU, con resultados comparados con implementaciones del estado del arte. El MI-BMInet alcanza 594 μs de latencia en un dispositivo Zynq UltraScale+, mientras que la implementación de EEGNet en un MCU ARM Cortex-M4F consume solo 2.55 mJ por inferencia. El trabajo culmina con un prototipo completo que integra hardware personalizado de adquisición de EEG con procesamiento de redes neuronales en el dispositivo, demostrando la detección en tiempo real de imaginación motora a partir de señales fisiológicas en bruto. Esta tesis establece una metodología integral para la implementación eficiente de Edge AI, contribuyendo con técnicas novedosas para la hiperparametrización de arquitecturas, estrategias de cuantización de punto fijo y optimización sistemática de potencia mediante escalado de voltaje y frecuencia. El prototipo completo de extremo a extremo valida la viabilidad práctica de desplegar redes neuronales sofisticadas en dispositivos con recursos limitados para aplicaciones de procesamiento de bioseñales en tiempo real.
Source: Zaguan (Universidad de Zaragoza)
Language: English
Subfield: Computer Vision and Pattern Recognition
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7225068292