一个边缘设备兼容的算法用于膜心脏病查,使用光心图信号与轻量级卷积神经网络和自我监督学习
Shichao Ma1, Junyi Chen1, Joshua W K Ho1
1School of Biomedical Sciences, Li Ka Shing Faculty of Medicine, The University of Hong Kong, Pokfulam, Hong Kong SAR, China; Laboratory of Data Discovery for Health Limited (D24H), Hong Kong Science Park, Hong Kong SAR, China.
Computer methods and programs in biomedicine
|November 11, 2023
概括
一个新的轻量级AI模型使用手机准确地检测心脏声. 这种人工智能 (AI) 方法提高了对膜心脏病的早期查,提高了准确性和速度.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 移动健康服务提供者
背景情况:
- 人口层面的查膜心脏病至关重要.
- 基于手机的听觉提供了可扩展的查.
- 对于移动部署,需要准确,轻量级的AI模型.
研究的目的:
- 开发一种轻量级的深度学习模型来对心脏声进行分类.
- 在未标记的数据上使用自主监督学习 (SSL) 来提高AI模型的准确性.
- 为了使移动健康应用程序能够在设备上进行高效的推断.
主要方法:
- 设计了一个轻量级的卷积神经网络 (CNN),参数显著减少.
- 自主监督学习 (SSL) 用于对未标记的心电图 (PCG) 数据进行预训练.
- 开发了一个移动应用程序原型,用于设备内推断和微调.
主要成果:
- 轻量级模型在10倍的交叉验证中实现了98.65%的准确性.
- 通过SSL预训练,精度提高到99.4%以上,并提高了对杂数据的稳定性.
- 在智能手机上,该模型在0.03-0.37秒内进行推断,消耗的电量比标准模型少.
结论:
- 开发了一种轻量级,准确的心电图分类器.
- 该模型在标准移动设备上展示了近乎实时的性能.
- 这项技术促进了对心脏病的高效,大规模查.
