基于多模态多任务学习的紧急医疗服务智能眼镜
广义相对论与量子宇宙学
2026-03-30 v2
摘要
紧急医疗技术员 (EMT) 在高压环境中运作，需在沉重的认知和操作负荷下做出快速且关乎生命的决策。我们提出 EMSGlass，一个由 EMSNet 提供动力的智能眼镜系统，EMSNet 是首个为紧急医疗服务 (EMS) 设计的多模态多任务模型，同时引入 EMSServe—a 专为 EMS 场景优化的低时延多模态服务框架。EMSNet 将文本、生命体征和场景图像整合，以构建对 EMS 事件的统一实时理解。基于真实世界的多模态 EMS 数据集训练的 EMSNet 同时支持最多五项关键 EMS 任务，准确率优于领先的单模态基线方法。基于 PyTorch 构建的 EMSServe 引入模态感知模型分割器和特征缓存机制，实现跨异构硬件的自适应高效推理，同时解决现场异步模态到达的挑战。通过优化 EMS 场景下的多模态推理执行，EMSServe 在直接 PyTorch 多模态推理方面实现 1.9 倍至 11.7 倍的加速。对六名专业 EMT 进行的用户研究评估表明，EMSGlass 通过直观的戴在眼镜上的交互方式，提升了实时情境意识、决策速度和操作效率。此外，用户研究的定性见解为将 EMSGlass 扩展至下一代面向人机交互的 EMS 系统提供了可操作的方向，弥合了多模态智能与现实紧急响应工作流程之间的鸿沟。
关键词
引用
@article{arxiv.2511.13077,
title = {Imaging Signatures of the Israel Junction: Photon Ring Evolution in Dynamical Thin Shell Schwarzschild Spacetimes},
author = {Li-Ming Cao and Long-Yue Li and Xia-Yuan Liu},
journal= {arXiv preprint arXiv:2511.13077},
year = {2026}
}
备注
16 pages, 14 figures; accepted for publication in Sci. China Phys. Mech. Astron