一个支持6G的分层对比学习框架,用于多尺度医疗时间序列分析

科学领域:

• 生物医学工程 生物医学工程
• 人工智能的人工智能
• 电信 电信服务 电信服务 电信服务

背景情况:

• 医学时间序列分析 (ECG,EEG) 对于诊断至关重要,但与多尺度模式和实时需求作斗争.
• 6G网络将在边缘产生大量的生理数据,加剧资源有限的设备上人工智能模型的计算挑战.

研究的目的:

• 引入一个支持6G的等级对比学习框架 (HCL-MSM),用于高级医学时间序列分析.
• 解决捕获多尺度模式和远程依赖性的局限性,同时实现低延迟边缘部署.

主要方法:

• 开发了一种使用多周期分解和2D卷积的信号适应编码器.
• 集成了一个患者级别的对比模块,具有可分解的多尺度混合.
• 通过量化和修剪优化了一个6G边缘部署模块,以适应资源有限的环境.

主要成果:

• HCL-MSM有效地模拟了嵌套的生理节奏和交叉时间依赖.
• 在心律失常检测 (F1得分:86.39%),预测 (87.72%) 和神经监测 (87.8%) 方面取得显著进展.
• 在模拟的6G环境中超越现有最先进的方法.

结论:

• 拟议的支持6G的框架为网络边缘实时复杂的医疗时间序列分析提供了可行的解决方案.
• HCL-MSM在关键诊断任务中表现出卓越的性能,为医疗保健中先进的边缘AI铺平了道路.