The Case for tinyML in Healthcare: CNNs for Real-Time On-Edge Blood Pressure Estimation
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
More than half of the deaths from cardiovascular diseases (CVDs) can be eliminated if high Blood Pressure (BP) is brought under control. Towards this target, continuous BP monitoring is a must. Unfortunately, such continuous monitoring is hindered by the inconvenience of the traditional cuff-based method. Convolutional Neural Networks (CNNs) offer a promising alternative to address such problems. Nonetheless, existing CNN-based solutions rely on server-like infrastructure with huge computation and memory capabilities. This entails these solutions impractical with several security, privacy, reliability, and latency concerns. The contribution of this paper is twofold as follows. First, the paper contributes to the general field of tinyML by proposing novel techniques that enable the fitting of popular CNNs into extremely-constrained edge devices with limited computation, memory, and power budget. Namely, the paper successfully manages to fit the following five popular CNNs into tiny edge devices: AlexNet, LeNet, SqueezeNet, ResNet, and MobileNet. This enables us to run inference completely on the edge without dependency on connectivity or cloud infrastructure. The proposed techniques use a combination of novel architecture modifications, pruning, and quantization methods. Second, utilizing this stepping stone, the paper proposes a tinyML-based solution to enable accurate and continuous BP estimation using only photo-plethysmogram (PPG) signals. We conduct an extensive evaluation using thousands of real Intensive Care Unit (ICU) patient data and several tiny edge devices and all the five aforementioned CNNs. Results show that the proposed solutions offer comparable accuracy to server-based solutions, and also meet the Association for the Advancement of Medical Instrumentation (AAMI) and the British Hypertension Society (BHS) standards.
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 | 0,000 |
| 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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