可持续的电子健康:通过EEG检测发作的节能微型人工智能
Moez Hizem1, Mohamed Ould-Elhassen Aoueileyine1, Samir Brahim Belhaouari2
1Innov'COM Laboratory, Higher School of Communication of Tunis, University of Carthage, Tunis, Tunisia.
Biomedical engineering and computational biology
|August 12, 2025
概括
微型机器学习 (TinyML) 能够在资源有限的设备上实时检测发作. 这种方法显著减少了电子健康应用程序的模型大小和推断时间,提高了效率和隐私.
科学领域:
- 人工智能的人工智能
- 嵌入式系统 嵌入式系统
- 电子健康是电子健康.
背景情况:
- 传统的机器学习 (ML) 需要大量的处理能力,限制其在资源有限的嵌入式系统中使用.
- 微型机器学习 (TinyML) 通过在设备上启用轻量级模型来提供解决方案,并与物联网 (IoT) 集成.
研究的目的:
- 开发一个TinyML工作流,用于在资源有限的环境中创建和部署模型.
- 将此工作流应用于电子健康,以使用电脑电图 (EEG) 数据实时检测发作.
主要方法:
- 利用来自500名患者的每位患者4097次EEG记录 (每次23.5秒) 的数据集.
- 在使用TensorFlow Lite (TFLite) 的微控制器上开发和部署了一个TinyML模型.
- 使用ExtraTrees分类器评估模型性能.
主要成果:
- 在验证集中,ExtraTrees分类器取得了99.6%的曲线下的面积 (AUC).
- 优化的TinyML模型保持了准确性,同时显著减少了推断时间.
- 转换后的模型大小为256KB,适用于内存有限的微控制器.
结论:
- TinyML通过实现实时,节能,设备上的决策来增强电子健康应用程序.
- 这项技术减少了延迟,确保了隐私,并且在不依赖云计算的情况下运行,这对于紧急情况和有限资源场景至关重要.
- 通过减少培训数据需求,提升可靠的医疗保健创新,TinyML降低了成本和过度安装风险.
关键词:
这就是为什么物联网是物联网物联网.在TinyML中使用TinyML.在线医疗服务 (e-health)电脑脑电图 (EEG) 是一种电脑电图.嵌入式系统 嵌入式系统发生发作的发作.机器学习是机器学习.更多相关视频
09:16Use of a Wireless Video-EEG System to Monitor Epileptiform Discharges Following Lateral Fluid-Percussion Induced Traumatic Brain Injury
Published on: June 21, 2019
25.8K
05:15Author Spotlight: Assessing the Feasibility of Using Amplitude-Integrated EEG During Neonatal Transport
Published on: June 21, 2024
827
