基于深度迁移学习的家庭健康监测边缘计算方法
计算机视觉与模式识别
2021-05-10 v1 人机交互
信号处理
摘要
在疫情或流行病情形下，医疗系统承受巨大压力。某些疾病（如导致大流行的 COVID-19）在感染者与他人之间具有高度传播性。因此，为具有隔离条件的非危重感染患者在家中提供健康服务将有助于缓解此类压力。此外，该做法对于监测居家长者的健康相关活动亦非常有用。家庭健康监测——使用视觉传感器在家中对患者或长者进行持续监测——是家庭健康服务中一个非侵入式的子领域。在本文中，我们提出一种基于迁移学习的边缘计算方法用于家庭健康监测。具体而言，预训练的卷积神经网络模型可利用边缘设备与少量地面标注数据及微调方法来训练模型。因此，由 RGB、深度或热传感器捕获的视觉数据的现场计算可以经济的方式实现。结果，此类传感器捕获的原始数据无需发送至家庭外部。因此，隐私、安全和带宽稀缺将不再是问题。此外，上述目的的实时计算可以经济的方式实现。
引用
@article{arxiv.2105.02960,
title = {A Deep Transfer Learning-based Edge Computing Method for Home Health Monitoring},
author = {Abu Sufian and Changsheng You and Mianxiong Dong},
journal= {arXiv preprint arXiv:2105.02960},
year = {2021}
}
备注
6 pages, 4 figures. Pre-print copy