面向医疗监护的边缘AI硬件时间序列分析
数值分析
2025-04-22 v1 数值分析
最优化与控制
流体动力学
摘要
本项目致力于高效、实时的生物医学信号(如心电图ECG和脑电图EEG)分析，以实现持续健康监测。传统方法依赖长时间数据记录后进行离线分析，耗电且延迟对关键症状(如心律失常)的响应。为克服这些限制，我们提出一种基于新型动态偏置长短期记忆(DB-LSTM)神经网络的心电图时间序列分析模型。该模型支持心电图的预测与分类双重任务，预测精度超过98%，归一化均方误差低于1e-3；分类精度超过97%，收敛更快且所需训练参数更少。为实现边缘部署，该模型采用INT4或INT3格式对权重进行量化，训练和推理中的分类精度分别仅下降2%和6%，而预测保持全精度。多组心电图数据集的广泛仿真实验确认该模型的鲁棒性。未来工作包括在FPGA和CMOS电路上实现该算法进行实际心脏监护，以及开发支持灵活神经网络配置和芯内在线训练的数字硬件平台，以实现个性化医疗应用。
引用
@article{arxiv.2504.15177,
title = {An $rp$-adaptive method for accurate resolution of shock-dominated viscous flow based on implicit shock tracking},
author = {Huijing Dong and Masayuki Yano and Tianci Huang and Matthew J. Zahr},
journal= {arXiv preprint arXiv:2504.15177},
year = {2025}
}
备注
43 pages, 35 figures,