实时心肌梗塞检测方法使用基于微控制器的边缘AI设备

科学领域:

• 生物医学工程 生物医学工程
• 心脏病学 心脏病学
• 计算机科学 计算机科学

背景情况:

• 心肌梗塞 (MI),或心脏病发作,需要持续监测,因为它的反复和经常无症状的性质.
• 可穿戴设备对于实时健康监测至关重要,但通常依赖于云连接来处理数据.
• 边缘计算为设备上的数据分析提供了去中心化的方法,减少了延迟并增强了隐私.

研究的目的:

• 开发和评估一个单个微控制器系统,使用边缘计算自动检测心肌梗塞 (MI).
• 为了比较机器学习 (ML) 和深度学习 (DL) 算法的性能,这些算法针对低资源硬件进行了优化.
• 评估使用ARM Cortex-M4核心在32位微控制器上实时MI检测的可行性.

主要方法:

• 实施了两个MI检测算法:一个基于ML,具有特征提取和更简单的神经网络 (NN),另一个基于DL,使用光谱分析和卷积神经网络 (CNN).
• 优化ML和DL算法,以便在低资源,单微控制器硬件 (ARM Cortex-M4) 上部署.
• 两种方法的可行性评估包括准确性,推断时间和内存使用分析.

主要成果:

• ML方法达到89.40%的准确性,而DL方法达到94.76%的准确性,两者都使用相同的低功耗硬件.
• 虽然DL方法具有更长的推断时间和更高的内存使用量,但它显示出更高的检测精度.
• 开发的系统在边缘执行所有处理,实现实时MI检测,无需依赖云或远程服务器.

结论:

• 一个单个微控制器边缘计算系统可以有效地执行实时心肌梗塞检测.
• 尽管资源需求较高,但深度学习模型在资源有限的设备上为MI检测提供了更高的准确性.
• 节能原型通过可穿戴技术实现了连续,私密和即时的MI监控.