面向超边缘设备新生儿惊厥检测的 scalable 机器学习架构
信号处理
2021-12-01 v1 机器学习
摘要
新生儿惊厥是一种常见神经系统疾病。它们是严重神经系统障碍的首发临床症状。因此，快速识别与治疗对于防止严重致死必要。脑电图（EEG）在神经学领域的应用允许对若干病症进行精确诊断。然而，由于婴儿大脑在新生儿期发育未成熟，解读 EEG 信号需要高度专业人员关注。及时检测惊厥可潜在防止对婴儿神经认知发展的负面影响。近年来，使用机器学习算法的新生儿惊厥检测日益受到关注。由于惊厥检测中生物信号分类需计算廉价，本研究提出一种机器学习（ML）架构，其预测性能与先前模型相当但配置级别最低。所提分类器在赫尔辛基大学医院记录的 NICU 惊厥公开数据集上训练与测试。我们的架构取得最佳灵敏度 87%，比本研究中标准 ML 模型高 6%。该 ML 分类器模型大小优化至仅 4.84 KB，最小预测时间 182.61 毫秒，从而可部署于可穿戴超边缘设备以实现快速准确响应，并免除基于云及其他此类高耗计算方法之需。
引用
@article{arxiv.2111.15569,
title = {Scalable Machine Learning Architecture for Neonatal Seizure Detection on Ultra-Edge Devices},
author = {Vishal Nagarajan and Ashwini Muralidharan and Deekshitha Sriraman and Pravin Kumar S},
journal= {arXiv preprint arXiv:2111.15569},
year = {2021}
}
备注
6 pages, 5 figures, Accepted at 2nd International Conference on Artificial Intelligence and Signal Processing (AISP) 2022