轻量级和低参数网络用于硬件推断阻塞性睡眠呼吸暂停的硬件推断

科学领域:

• 生物医学工程 生物医学工程
• 医疗保健中的人工智能
• 信号处理 信号处理

背景情况:

• 阻塞性睡眠呼吸暂停 (OSA) 是一种严重的睡眠障碍,具有重大健康风险.
• 夜间多睡眠镜 (PSG) 是诊断标准,但成本高且劳动密集.
• 嵌入人工智能的可穿戴设备提供了一个便携的替代方案,但面临硬件限制 (内存,功率).

研究的目的:

• 评估深度可分离卷积 (DSC) 作为实时睡眠呼吸暂停检测的资源高效的人工智能模型.
• 使用心电图 (ECG) 和氧和 (SpO2) 信号,将DSC性能与空间卷积 (SC) 相比较.

主要方法:

• 实施DSC和SC模型用于检测呼吸暂停,使用来自PhysioNet的单线心电图和SpO2数据.
• 为两种卷积类型开发了个别信号模型和融合模型.
• 采集并分析了ECG和SpO2信号,用于模型培训和验证.

主要成果:

• 融合模型在DSC和SC的单个信号模型中表现出色.
• 基于DSC的核聚变模型比基于SC的模型节能明显高 (9.4倍至11.3倍).
• 基于DSC的融合模型实现了与SC模型相比的准确性 (~95%),精度 (~94%),和特异性 (~94%) .

结论:

• DSC为人工智能驱动的1D临床信号分析提供了一个可行的,节能的替代方案,特别是用于可穿戴式呼吸暂停检测.
• 虽然SC模型的准确性略高,但DSC为资源有限的边缘设备提供了实用的权衡.
• 这项研究突显了DSC在传统计算机视觉任务之外的临床应用中的潜力.