AMSER：面向高能效与弹性电子健康系统的自适应多模态感知
机器学习
2021-12-16 v1 人工智能
摘要
电子健康系统通过持续监测生理和情境数据为用户提供关键的数字医疗与健康服务。电子健康应用使用多模态机器学习核来分析来自不同传感器模态的数据并自动化决策。感官数据采集过程中的噪声输入和运动伪影会影响 i) 电子健康服务的预测准确率和弹性，以及 ii) 处理垃圾数据时的能效。监测原始感官输入以识别并丢弃来自噪声模态的数据和特征可改善预测准确率和能效。我们提出了一种用于多模态电子健康应用的闭环监测与控制框架 AMSER，它可通过 i) 监测输入模态，ii) 分析原始输入以选择性丢弃噪声数据和特征，以及 iii) 选择适合所配置数据和特征向量的机器学习模型，来缓解垃圾进垃圾出问题，从而提高预测准确率和能效。我们使用疼痛评估和压力监测的多模态电子健康应用，针对由不同传感器模态引起的不同水平和类型的噪声组件评估了我们的 AMSER 方法。与最先进的多模态监测应用相比，我们的方法在感知阶段实现了高达 22% 的预测准确率提升和 5.6 的能耗降低。
引用
@article{arxiv.2112.08176,
title = {AMSER: Adaptive Multi-modal Sensing for Energy Efficient and Resilient eHealth Systems},
author = {Emad Kasaeyan Naeini and Sina Shahhosseini and Anil Kanduri and Pasi Liljeberg and Amir M. Rahmani and Nikil Dutt},
journal= {arXiv preprint arXiv:2112.08176},
year = {2021}
}