tinyCare: A tinyML-based Low-Cost Continuous Blood Pressure Estimation on the Extreme Edge
Notice bibliographique
Résumé
We propose a solution that deploys Machine Learning (ML) techniques on resource-constrained edge devices (tinyMl)for the healthcare domain. In particular, we construct a complete end-to-end prototyped system that conducts ML inference with various ML techniques on microcontroller unit (MCU)-powered edge devices to predict blood-pressure-related vital metrics such as systolic (SBP), diastolic (DBP), and mean arterial (MAP) blood pressures using electrocardiogram (ECG) and photoplethysmogram (PPG) sensors. The proposed solution is trained and tested using over 500 hours of 12, 000 real intensive care unit data instances. Despite running on an extremely limited computation, power and memory budget, the proposed solution achieves comparable results to server-based state-of-the-art solutions. Furthermore, it meets the British Hypertension Society (BHS) standard for grade B (C in extremely-constrained devices). This is achieved by careful investigation of the correlation between a wide-set of ECG and PPG features and BP. Afterwards, we compress the ML inference models by only incorporating the minimal features that meet i) the edge constraints from one side, and ii) the standard's acceptable accuracy from the other side. Unlike existing solutions, the inference is entirely conducted on MCU-based edge devices without depending on any cloud-based infrastructure. Hence, the proposed solution improves robustness, accessibility, reliability, security, as well as data privacy.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».