用于低资源护理环境下非接触式早产儿行为监测的视觉嵌入式系统
计算机视觉与模式识别
2025-09-03 v1 计算机与社会
机器学习
摘要
早产出生仍是新生儿死亡的主要原因之一，在资源有限的环境中尤为突出，缺乏先进的新生儿重症监护室(NICU)的便利性。持续监测婴儿行为，如睡眠/清醒状态和哭闹事件，至关重要，但依赖人工观察或侵入式传感器，容易出错且不实用，还可能导致皮肤损伤。本文提出了一种新颖的、非侵入性的、基于视觉的自动化框架，以解决这一问题。我们引入一种嵌入式监测系统，利用部署在树莱派上的量化 MobileNet 模型实现实时行为状态检测。该系统在公开的新生儿图像数据集上训练和评估，实现了最先进的准确率（睡眠检测为 91.8%，哭闹/正常分类为 97.7%），同时保持适用于边缘部署的计算效率。通过对比基准测试，我们提供了模型规模、推理延迟与诊断准确率之间的关键性分析。我们的发现表明，尽管更大规模的网络结构（如 ResNet152、VGG19）在准确率上可获得有限的提升，但其计算成本对实时边缘应用而言不可接受。该框架集成了三项关键创新：模型量化以实现内存高效推理（尺寸降低 68%）、树莱派优化的视觉管线，以及用于临床警报的安全 IoT 通信。本工作最终证明，轻量级、优化后的模型如 MobileNet 为构建可扩展、低成本且临床可操作的 NICU 监测系统提供了最可行的基础，为资源受限环境下的早产儿护理铺平了道路。
引用
@article{arxiv.2509.02018,
title = {Vision-Based Embedded System for Noncontact Monitoring of Preterm Infant Behavior in Low-Resource Care Settings},
author = {Stanley Mugisha and Rashid Kisitu and Francis Komakech and Excellence Favor},
journal= {arXiv preprint arXiv:2509.02018},
year = {2025}
}
备注
23 pages. 5 tables, 8 figures