可穿戴人工智能用于设备上的脆弱性评估

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:

• 连续可穿戴监控提供了对慢性疾病的洞察力,但面临着能源需求和大型数据集的挑战.
• 现有的系统往往需要离设备推断,需要强大的网络基础设施和电力,限制临床集成.
• 机器学习可以将数据压缩成可操作的趋势,但在设备上的处理是实际,长期使用的关键.

研究的目的:

• 开发和验证一个边缘AI设备框架,用于连续的,设备上的生物信号分析.
• 评估基于步态的脆弱性评估框架的临床实用性和模型稳定性.
• 为了证明在长时间的磨损期内对高采样率生物信号的自主纵向分析.

主要方法:

• 集成的人工智能 (AI) 具有临床级生物信号获取在边缘,用于设备上的推断.
• 在体内使用基于步态的脆弱性评估框架 (N=16).
• 通过进一步的体内试验 (N=14) 和十天的延长磨损实验,验证了临床实用性,模型稳定性和在设备上的推断.

主要成果:

• 该设备框架在长时间内实现了临床级别的忠实性,用于在设备上推断.
• 基于步态的脆弱性评估结果与黄金标准诊断工具相匹配.
• 在没有佩戴者干预和自主纵向分析的情况下证明了连续运行.

结论:

• 开发的边缘人工智能框架使实际的,长期的可穿戴健康监测成为可能.
• 具有临床级忠实性的设备内推断是可行的,用于连续的生物信号分析.
• 这项技术有可能显著增强慢性疾病的诊断和查工具.