Migrating Intelligence from Cloud to Ultra-Edge Smart IoT Sensor Based on Deep Learning: An Arrhythmia Monitoring Use-Case
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Traditionally, the Internet of Things (IoT) devices, deployed on the ultra-edge of the network, lack computation, and energy resources. In this paper, we press on the need to go beyond the realms of traditional edge computing (e.g., limited to user-smartphones) and investigate how to incorporate intelligence into the ultra-edge IoT sensors. Among numerous use-cases, we select a mobile Health (mHealth) scenario where we conceptualize a smart IoT sensor to collect and intelligently process single-channel Electrocardiogram (ECG) signals to detect arrhythmia, a heart-condition often associated with morbidity and even mortality. The arrhythmia detection can be regarded as a non-linear Delay Differential Equation (DDE) time-series analysis problem, and the conventional solutions to this problem are not suitable for integration with IoT sensors due to rigorous pre-processing steps. As a solution, a Convolutional Neural Network (CNN)-based, lightweight Arrhythmia classification system is proposed in the paper without the need for noise-filtering and feature extraction steps. Four classes of the heartbeats are considered to comply with the ANSI/AAMI EC57:1998 standard. The proposed system's performances and generalization potential are assessed using three datasets from PhysioNet trained on a deep learning workstation and then transferred to virtualized micro-controllers connected to IoT sensors. The proposed deep learning model exhibits encouraging performance (accuracy 95.27%) in heartbeat classification. Experimental and numerical results demonstrate that the proposed deep learning technique outperforms conventional DDE-based optimization techniques and machine learning techniques such as K-Nearest Neighbor (KNN), and random forest (RF).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle