可靠的心电图异常检测在边缘设备上的医疗物联网应用程序

科学领域:

• 医学技术 医学技术 医学技术
• 人工智能的人工智能
• 嵌入式系统 嵌入式系统

背景情况:

• 资源有限的边缘设备限制了机器学习在医疗物联网 (IoMT) 中实时监控的部署.
• 通过心电图 (ECG) 分析进行持续的健康监测对于检测心律不整等异常至关重要.
• 现有的依赖云计算的解决方案面临着延迟,隐私和功耗等挑战.

研究的目的:

• 引入一种新的微型机器学习 (TinyML) 方法,用于在低功耗嵌入式系统上实时检测心电图异常.
• 为了证明在边缘设备上直接部署优化的AI模型的可行性,消除了对云连接的需求.
• 为了在模型准确性和资源利用之间实现平衡,以实现连续,长期的可穿戴健康监测.

主要方法:

• 在Raspberry Pi和Arduino等平台上,TinyML与边缘人工智能 (AI) 的集成.
• 在边缘设备上执行的工作流程的实现,包括数据预处理,特征提取和模型推理.
• 应用先进的优化技术,如模型修剪和量子化,以减少内存和功耗.

主要成果:

• 在边缘设备上成功部署优化的TinyML模型,以实时检测心电图异常.
• 在ECG异常检测方面获得了92.3%的准确性.
• 将功耗降低到0.024mW,从而实现节能,持续监控.

结论:

• 与边缘AI集成的TinyML提供了一个可行的解决方案,用于在资源有限的设备上实时进行医疗监控.
• 拟议的方法有效地检测出高精度和显著低功耗的心电图异常.
• 这一进步为下一代可穿戴健康技术和持续的患者监测铺平了道路.