面向超边缘设备使用机器学习的端到端优化心律失常检测流水线

心房颤动（AF）是全球最普遍的心律失常，影响 2% 的人口。它与中风、心力衰竭及其他心脏相关并发症的风险增加相关。监测高危个体并检测无症状 AF 可带来显著的公共健康益处，因为无症状 AF 个体可通过生活方式改变采取预防措施。随着可穿戴设备日益可负担，个性化医疗正变得更容易获取。这些个性化医疗解决方案需要生物信号的准确分类，同时计算开销低。通过在设备端进行推断，我们避免了基于云的系统固有的延迟与网络连接依赖等问题。我们提出了一种高效的实时心房颤动检测流水线，具有高准确率，可部署于超边缘设备。本研究中所用的特征工程旨在优化所提流水线中资源高效分类器，其内存占用相较性能最佳的标准 ML 模型减少了 $10^5\times$，仅以 2% 分类准确率为微小代价。与先前最先进的（SoA）嵌入式实现相比，我们还获得了约 6% 的更高准确率，同时消耗少 403$\times$ 的内存且快 5.2$\times$。