一种基于 LogNNet 的医疗数据分析方法及其在临床决策支持系统与医疗边缘计算中的应用

边缘计算是医疗领域快速增长且亟需的技术。在边缘设备上实现人工智能的难点在于，大多数已知神经网络数据分析方法与算法复杂且资源消耗高。这些方法难以在低功耗、小存储容量的微控制器上实现，因此需要开发新的高效神经网络算法。本研究提出一种基于 LogNNet 神经网络的医疗数据分析新方法，其利用混沌映射转换输入信息。该方法有效解决分类问题，并根据一组医疗健康指标计算患者患病的风险因素。LogNNet 在评估围产期风险上的有效性在来自 UC Irvine 机器学习库的胎心宫缩图数据上得到说明。在 Arduino 微控制器上仅使用约 3-10 kB RAM 即达到约 91% 的分类准确率。利用在以色列卫生部公开数据库上训练的 LogNNet 网络，给出了一种 COVID-19 快速检测的服务概念。分类准确率达约 95%，RAM 使用约 0.6 kB。在所有示例中，模型使用标准分类质量指标（精确率、召回率和 F1 值）进行测试。LogNNet 架构能够在低 RAM 资源的医疗物联网外设上实现人工智能，并可用于临床决策支持系统。