轻量级深度学习方法在边缘设备上用于胎儿运动监测.
Atcharawan Rattanasak1, Talit Jumphoo2, Kasidit Kokkhunthod2
1School of Telecommunication Engineering, Suranaree University of Technology, Nakhon Ratchasima 30000, Thailand.
Biosensors
|October 28, 2025
概括
一个新的轻量级深度学习框架可以在边缘设备上实时监测胎儿运动 (FMM). 这项技术增强了胎儿福祉评估,特别是在资源有限的环境中.
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
- 可穿戴技术可穿戴技术
背景情况:
- 胎儿运动监测 (FMM) 对于评估胎儿健康至关重要.
- 目前的FMM方法 (临床评估,母亲的感知) 有局限性.
- 需要高效,实时的FMM解决方案,尤其是边缘设备.
研究的目的:
- 开发一个轻量级的深度学习框架,用于边缘设备上的实时FMM.
- 优化资源有限的微控制器的框架.
- 提高FMM的准确性和效率,以改善产前护理.
主要方法:
- 收集了120名使用可穿戴IMU的参与者的加速度计和陀螺仪数据.
- 实施了两阶段的标签协议,其中包括母体感知和超声波验证.
- 利用虚拟旋转增强和适应性聚类来解决类不平衡.
- 将数据转换为光谱图,用于深度学习输入.
- 使用知识蒸和培训后的整数定量化来优化模型.
主要成果:
- 通过灵敏度 (90.05%),精度 (87.29%) 和F1得分 (88.64%) 实现了高性能.
- 通过量子化,模型内存足迹减少了74.8%.
- 经过一次电池充电,可持续运行25小时.
- 框架适用于资源有限的微控制器.
结论:
- 新的轻量级深度学习框架可以在边缘设备上实现高效的实时FMM.
- 优化模型性能和显著减少内存足迹.
- 为改善产前护理提供了一种实际解决方案,特别是在资源有限的环境中.
- 框架可以适应其他基于边缘的医疗监测任务.
