DOCTOR：一种基于可穿戴医疗传感器的多疾病检测持续学习框架

边缘设备中机器学习（ML）与可穿戴医疗传感器（WMSs）的现代进展已实现面向智慧医疗的 ML 驱动疾病检测。传统的 ML 驱动疾病检测方法依赖于为每种疾病及其对应 WMS 数据定制独立模型。然而，此类方法缺乏对分布偏移与新任务分类类别的适应性。此外，它们需要针对每种新疾病从头重新架构并重新训练。而且，在边缘设备中安装多个 ML 模型会消耗过多内存、加快电池耗尽并使检测过程复杂化。为应对这些挑战，我们提出 DOCTOR，一种基于 WMSs 的多疾病检测持续学习（CL）框架。它采用多头深度神经网络（DNN）与回放式 CL 算法。该 CL 算法使框架能够持续学习新任务，其中不同数据分布、分类类别与疾病检测任务被顺序引入。它通过数据保存方法与合成数据生成（SDG）模块抵消灾难性遗忘。数据保存方法保留来自先前任务的最具信息量的真实训练数据子集用于样例回放。SDG 模块对真实训练数据的概率分布建模并生成合成数据用于生成式回放，同时保留数据隐私。多头 DNN 使 DOCTOR 能基于用户 WMS 数据同时检测多种疾病。我们在各类 CL 实验中展示了 DOCTOR 以单一 DNN 模型保持高疾病分类精度的有效性。在复杂场景中，DOCTOR 以小于 350KB 的小模型规模实现了比朴素微调框架高 1.43 倍的平均测试精度、高 1.25 倍的 F1 分数以及高 0.41 的向后迁移。