面向可解释和边缘智能化masseter监控:用于设备上和持续评估的自主框架

科学领域:

• 生物医学工程 生物医学工程
• 可穿戴技术可穿戴技术
• 医疗保健中的人工智能

背景情况:

• 持续监测按摩肌活动对于评估睡眠 (SB) 和部功能障碍 (TMD) 是至关重要的.
• 目前的表面电肌图 (sEMG) 系统面临的局限性包括有线电源,数据隐私问题和实时特异性的限制.
• 对于长期的家庭监控,需要先进的,不引人注目的,保护隐私的解决方案.

研究的目的:

• 为了引入一个自动供电,边缘智能监测框架,用于masseter肌肉活动.
• 为了实现与SB和TMD相关的生理状态的实时,设备上的分类.
• 为临床评估和干预提供可解释的AI驱动的见解.

主要方法:

• 开发了一个框架,将基于聚乙烯化物 (PVDF) 的压电补丁 (BP-Patch) 与轻量级神经网络 (DSC-AttNet) 结合起来.
• 利用深度可分离卷积 (DSC) 和高效通道注意力 (ECA) 进行高效准确的特征提取.
• 在Arm Cortex-M4微控制器上部署了8位量子化的DSC-AttNet,用于设备上的推断,使用Grad-CAM和注意力分析进行解释性.

主要成果:

• 在五个生理状态 (左/右布鲁克斯主义,左/右,休息) 中达到94.75%的分类准确性,平均延迟时间为63.6毫秒.
• DSC-AttNet 模型占用了最小的资源:微控制器上的 80.7 KiB 闪存和 72.8 KiB RAM.
• 可解释的特征使得能够推导出临床相关的指数,如夜间布鲁克西斯症数量,发作持续时间和马塞特对称指数 (MSI).

结论:

• 拟议的框架为按摩器肌肉监控提供了一种自动供电,资源高效和保护隐私的解决方案.
• 这种设备上的智能系统有助于对SB和TMD进行长期的家庭评估.
• 整合可解释性提高了个性化干预的可信度和临床实用性.