相关实验视频
Updated: Jun 24, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.7K
边缘健康设备的节能动态传感器时间序列分类
1Department of Jiangsu Collaborative Innovation Center of Atmospheric Environment and Equipment Technology (CICAEET), Nanjing University of Information Science and Technology, Nanjing, 210044, China.
Computer methods and programs in biomedicine
|June 13, 2024
概括
本研究介绍了OTCD,这是一个节能算法,用于边缘医疗设备的在线时间序列分类. OTCD有效地解决了概念漂移和灾难性遗忘问题,改善了 IoMT 系统的实时疾病检测.
科学领域:
- 物联网医疗 (IoMT) 的物联网
- 机器学习 (ML) 是指机器学习.
- 边缘计算 边缘计算
背景情况:
- 时间序列数据对于在IoMT中实时检测疾病至关重要.
- 边缘设备上的ML算法可以减少延迟和增强隐私.
- 边缘设备上的有限资源需要节能算法来处理概念漂移和灾难性遗忘.
研究的目的:
- 为边缘医疗设备提出一个节能的在线时间序列分类算法 (OTCD).
- 在医学时间序列分类中,地址概念漂移 (CD) 和灾难性遗忘 (CF).
- 在IoMT设备上提高实时疾病检测的可靠性和效率.
主要方法:
- OTCD检测概念漂移并更新原型以减轻其影响.
- 标准化潜在的空间分布,并选择性地保留训练参数,以应对灾难性遗忘.
- 使用心电图 (ECG) 和光电图 (PPG) 数据进行评估,比较特征提取器和最先进的模型.
主要成果:
- 与SOTA算法相比,OTCD显示出更高的精度 (在MIT-BIH心律失常数据集上高出2.77%14.74%).
- 实现低内存消耗 (1KB) 和高计算效率 (0.004GFLOPs/秒).
- 在运行测试中表现出显著的节能和高时间效率.
结论:
- 在边缘医疗设备上,OTCD可实现高效的实时医疗时间序列分类.
- 该算法显示出显著的竞争力和安全可靠的医疗保健应用程序的潜力.
- OTCD为克服基于IoMT的疾病检测挑战提供了一个有希望的解决方案.
更多相关视频
11:21Methodology for Establishing a Community-Wide Life Laboratory for Capturing Unobtrusive and Continuous Remote Activity and Health Data
Published on: July 27, 2018
8.2K
07:47Design and Evaluation of Smart Glasses for Food Intake and Physical Activity Classification
Published on: February 14, 2018
11.2K
