机器学习算法的评估,以使用TinyML对超声波传感器错位和部署进行分类
1Tyndall National Institute, University College, T12 K8AF Cork, Ireland.
Sensors (Basel, Switzerland)
|January 23, 2024
概括
机器学习算法准确地检测到医疗设备中的超声波传感器错位. 这项技术可实现实时校正,增强植入式和可穿戴系统的功率传输.
科学领域:
- 生物医学工程 生物医学工程
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 超声波 (US) 功率传输对于植入式/可穿戴医疗设备至关重要.
- 由于身体运动导致的传感器错位会破坏有效的电力传输.
- 准确检测和纠正失调对于系统可靠性至关重要.
研究的目的:
- 为了评估机器学习 (ML) 算法来分类超声波传感器错位.
- 开发一个实时检测和潜在纠正错位的系统.
- 通过改进对齐,使医疗器械的功率传输能够得到增强.
主要方法:
- 通过各种传感器错位,获取了超过700个美国信号.
- 训练并评估了ML算法,包括自编码器,卷积神经网络 (CNN) 和使用信号包裹和光谱的神经网络 (NN).
- 在TinyML设备上部署了性能最好的ML模型,使用TensorFlow Lite和Edge Impulse进行边缘处理.
主要成果:
- 在分类传感器错位程度方面取得了>99%的准确性.
- 在TinyML设备上展示了近实时 (<350毫秒) 信号分类.
- 验证了在低功耗,内存受限的边缘设备上部署ML算法的可行性.
结论:
- 基于ML的美国传感器错位的分类是非常准确和有效的.
- TinyML 部署可实现实时对齐校正,以提高功率传输.
- 这种方法可以应用于US阵列 (CMUT,PMUT) 用于光束转向,显著改善植入式和身体穿戴系统.
