tinyCare: A tinyML-based Low-Cost Continuous Blood Pressure Estimation on the Extreme Edge
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
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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