在边缘计算中实施资源效率高的胎儿心声回声检测算法.

科学领域:

• 医疗人工智能 医疗人工智能
• 心血管成像 - 心血管成像
• 嵌入式系统 嵌入式系统

背景情况:

• 深度学习在胎儿心声图分析方面表现有前途.
• 边缘设备的有限处理能力限制了AI在这个领域的实时临床应用.

研究的目的:

• 开发资源高效的人工智能算法,用于实时胎儿心声检测和边缘设备上的跟踪.
• 为增强临床实践提供智能心声回声仪设备.

主要方法:

• 开发了基于YOLOv5s架构的YOLOv5s_emn (极小网络) 系列.
• 采用了骨干替换,修剪和推理优化技术.
• 在NVIDIA Jetson Nano上测试模型进行性能评估.

主要成果:

• 与YOLOv5s.emn模型相比,YOLOv5s.emn模型实现了大小和参数的5%-19%的减少.
• 证明了优越的推断速度,与YOLOv5s相比改善了52.8-125.0 ms/f.
• 保持高精度,同时显著提高效率.

结论:

• YOLOv5s_emn系列为资源有限的边缘设备上的实时胎儿心声学提供了可行的解决方案.
• 这些优化的模型有可能推进智能医疗设备,并支持临床决策.