面向可信和节能的雾计算医疗决策支持系统的优化微型机器学习与可解释人工智能

news2024/11/25 1:05:35

这篇论文的标题为《Optimized Tiny Machine Learning and Explainable AI for Trustable and Energy-Efficient Fog-Enabled Healthcare Decision Support System》,发表在《International Journal of Computational Intelligence Systems》2024年第17卷,由 R. Arthi 和 S. Krishnaveni 两位作者撰写。以下是论文的主要内容概述:

摘要:

  • 论文讨论了基于物联网(IoT)的医疗决策支持系统在现代医学中的重要性,尤其是在慢性病和老年人口增加的背景下。
  • 当前医疗决策支持系统因实时医疗数据有限和计算资源效率不高而难以及时准确地做出决策。
  • 论文提出了一个优化的微型机器学习(TinyML)和可解释人工智能(XAI)二分类模型,用于在雾计算环境中实现可信和节能的医疗决策支持系统。
  • 该模型利用雾计算优化性能,提高了响应时间和带宽利用率,减少了延迟和数据包丢失。
  • 通过实施TinyML算法,系统在健康异常检测中表现出色,F1得分达到0.93,强调了其鲁棒性和有效性。

关键词:

  • 医疗保健
  • 雾计算
  • 物联网
  • TinyML
  • 可解释人工智能

1. 引言:

  • 论文介绍了基于IoT的医疗决策支持系统的重要性,并讨论了雾计算和云计算的集成如何提供有效的框架来管理和分析大量医疗数据。

2. 相关工作:

  • 论文回顾了当前基于IoT的医疗监控系统的研究,并讨论了TinyML在这些系统中的应用。

3. 提出的方法:

论文中提出的方法是构建一个基于雾计算的医疗决策支持系统,该系统利用优化的微型机器学习(TinyML)和可解释人工智能(XAI)技术,以实现对患者健康状况的实时监控和及时响应。以下是该方法的详细步骤:

3.1 数据收集

在边缘层,提出了一个基于硬件的人类健康决策支持系统,包括以下组件:

  • MAX30102传感器:用于非侵入式地监测脉搏率和血氧水平。
  • DHT11传感器:测量患者房间的湿度和温度。
  • MQ-135气体传感器:检测患者周围的有毒气体,如一氧化碳、甲烷、硫化氢等,并测量室内空气质量。

所有传感器都连接到Arduino Uno R3微控制器,该控制器负责采集传感器数据,并通过Wi-Fi模块与雾和云层通信。系统功耗在100-200毫瓦之间,最大内存使用量为15kb。

3.2 雾基础决策支持系统

数据从微控制器传输到云存储,通过雾层传输。研究中使用Raspberry Pi 3来设置边缘和云层之间的雾节点。当患者的健康数据偏离预设阈值时,Raspberry Pi 3节点会通过移动应用程序向患者的五个密切联系人发送通知。Raspberry Pi 3处理器提供高数据处理和通信能力,非常适合用作虚拟雾层中的雾节点。

3.3 数据存储和分析

来自边缘层的数据被传输到云存储,以便可视化数据并分析与预设阈值的偏差。使用ESP8266 Node MCU Wi-Fi模块将IoT云平台与所提出的硬件连接。数据通过Thing Speak IoT云平台进行存储和可视化。

3.4 优化的TinyML算法实施

  • 数据采集:在Edge Impulse Web界面中创建项目,设置数据类型和项目详细信息。
  • 数据预处理:使用数字信号处理(DSP)技术对传感器数据进行滤波,以去除噪声和伪影。应用了包括带通、低通、高通和陷波滤波器。
  • 特征提取:使用傅里叶变换、统计矩、小波变换和时域信号分析等技术,将原始传感器数据转换为模型可以有效学习的特征。
  • 降维和分割:使用主成分分析(PCA)减少数据的维度,同时保留关键信息。此外,使用窗口和分割技术将长序列划分为更易于管理的片段。
  • 模型训练和优化:使用TensorFlow Lite定义并训练随机森林模型,然后将训练好的模型转换为TensorFlow Lite格式,以确保与边缘设备的兼容性和优化。
  • 模型验证和性能:使用径向基函数(RBF)核验证TensorFlow Lite模型的预测,确保模型在实际场景中的鲁棒性和可信度。

论文提出的系统通过上述方法,实现了在雾计算环境中对患者健康状况的实时监控和及时响应,提高了医疗决策支持系统的效率和可靠性。

4. 优化的TinyML算法实现:

论文中提出的优化的TinyML算法实现是整个研究的核心部分,旨在通过在资源受限的IoT设备上部署高效的机器学习模型来提高医疗决策支持系统的准确性和响应速度。以下是该算法实现的详细步骤和方法:

4.1 数据采集

  • 在Edge Impulse平台中创建项目,定义数据类型和项目细节。
  • 数据采集不使用实时分类,而是从云端以CSV格式上传预先存储的数据。
  • 配置分类模式为学习块,原始数据为处理块,设置频率为1 Hz,窗口大小为1000毫秒。

4.2 数据预处理

  • 利用Edge Impulse内置的数字信号处理(DSP)功能对信号进行滤波,以去除噪声和伪影。
  • 应用带通、低通、高通和陷波滤波器来增强感兴趣的信号并消除不需要的频率。
  • 进行归一化处理,使用可配置的缩放设置、z分数归一化和最小-最大缩放技术,将不同传感器数据范围缩放到一个共同的尺度。

4.3 特征提取

  • 利用傅里叶变换、统计矩、小波变换和时域信号分析等方法,从原始传感器数据中提取特征。
  • 这些技术捕捉数据的重要特征,通过关注相关特征来提高模型的性能。

4.4 降维和分割

  • 为了解决高维传感器数据带来的挑战(如过拟合和计算复杂性增加),采用主成分分析(PCA)来降低数据的维度,同时保留关键信息。
  • PCA通过计算协方差矩阵的特征向量和特征值,将数据投影到保留最大方差的较低维子空间。
  • 使用窗口技术和分割技术将长序列划分为更易管理的片段,帮助模型捕捉局部模式和数据中的依赖性。

4.5 模型训练和优化

  • 训练优化的TinyML模型,使用TensorFlow Lite进行特征选择和模型训练。
  • 定义并训练随机森林模型,然后将模型转换为TensorFlow Lite格式,进行系列步骤确保模型兼容并优化以部署在边缘设备上。
  • 使用TensorFlow Lite的默认优化设置进行模型优化,并加载解释器来运行模型。

4.6 模型验证和性能

  • 验证TensorFlow Lite模型的预测,使用径向基函数(RBF)核来验证模型的鲁棒性和可信度。
  • 通过模型的输出数据验证,确保模型在实际应用场景中的有效性。

4.7 数学基础

  • 利用神经网络架构和密集层进行TinyML模型的训练,采用反向传播、梯度下降、ReLU激活函数和主成分分析(PCA)等方法。
  • 预处理步骤包括滤波和归一化,这些是信号处理中的基本操作,确保输入到神经网络的数据是清洁和标准化的。

4.8 特征提取的数学公式

  • 信号滤波:应用数字信号处理(DSP)技术来去除传感器数据中的噪声和伪影。
  • 归一化:将数据缩放到一个共同的范围,例如使用z分数归一化。
  • 特征提取方法:如傅里叶变换和统计矩,从原始传感器数据中导出有意义的表示形式。

通过上述步骤,论文提出的TinyML算法能够在资源受限的IoT设备上实现高效的健康监测和异常检测,为医疗决策支持系统提供了一个可靠和节能的解决方案。

5. 结果和讨论:

  • 论文评估了所提出的医疗系统,包括硬件设置性能分析、带宽分析、响应时间分析以及与标准机器学习模型的性能比较。

6. 所提出模型的可信度分析:

  • 论文通过模型特异性和敏感性、统计分析、SHAP XAI特征重要性分析以及特征Wasserstein距离计算等方法来检查所提出模型的可靠性。

7. 结论:

  • 论文总结了研究的主要发现,提出了优化的TinyML和XAI模型在雾计算环境中用于医疗决策支持系统的潜力,并指出了未来研究的方向。

作者贡献、资金支持、数据可用性、利益冲突声明、伦理批准、开放获取声明和参考文献:

  • 论文最后包含了作者贡献声明、资金支持信息、数据可用性声明、利益冲突声明、伦理批准声明、开放获取声明和参考文献列表。

这篇论文的主要贡献在于提出了一个结合了TinyML和XAI的医疗决策支持系统,该系统在雾计算环境中运行,旨在提高医疗保健服务的效率和可靠性。论文还对模型的可信度进行了深入分析,以确保其在实际医疗场景中的有效性和准确性。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2109055.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

Gemini的AI生图消失数月终重返!Imagen 3或成谷歌“大招”,为避免Deepfake绞尽脑汁,网友:最逼真的AI人像!

谷歌Gemini的AI生图功能在漫长的沉寂后官宣重返!并推出了重大升级后的模型Imagen 3! 此前,Gemini的这项功能因为过分注重“政治正确”而被群嘲。例如生成了黑人形象的华盛顿等等,在引起广泛争议之后,这项功能随之被禁用。 现在,谷歌对其进行了升级,并准备在“未来几天…

[数据集][目标检测]电动车头盔佩戴检测数据集VOC+YOLO格式4235张5类别

数据集格式:Pascal VOC格式YOLO格式(不包含分割路径的txt文件,仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数):4235 标注数量(xml文件个数):4235 标注数量(txt文件个数):4235 标注…

Github 2024-09-02 开源项目周报 Top13

根据Github Trendings的统计,本周(2024-09-02统计)共有13个项目上榜。根据开发语言中项目的数量,汇总情况如下: 开发语言项目数量Python项目3TypeScript项目3Vue项目2Rust项目2Go项目2Dart项目1Jupyter Notebook项目1Shell项目1Dockerfile项目1PHP项目1Blade项目1AI.AppFlow…

聚铭网络受邀成为ISC终端安全生态联盟首批成员单位

近日,在2024数博会这一行业盛会上,全国首个专注于终端能力的联盟——ISC终端安全生态联盟正式成立,聚铭网络受邀成为该联盟的首批成员单位之一。 ISC终端安全生态联盟由360集团发起,并联合20余家业内领先企业共同创立。联盟旨在通…

fortran安装

编写时间: 2024年9月5日10:36:40 Fortran环境配置: Visual Studio 2022 Intel oneAPI Base Toolkit Intel HPC Toolkit 演示环境: Windows 10 x64 VMware虚拟机 准备工作 下载Visual Studio 2022 下载链接: https://visual…

JAVA—单元测试

单元测试:就是针对最小的功能单元(方法),编写测试代码对其进行正确性测试 之前是使用main函数调用来进行检测,无法实现自动化测试 也会影响其他方法的测试 目录 1.junit框架概述 2.junit框架的常见注解 1.junit框架…

【软件测试专栏】自动化测试函数篇

博客主页:Duck Bro 博客主页系列专栏:软件测试专栏关注博主,后期持续更新系列文章如果有错误感谢请大家批评指出,及时修改感谢大家点赞👍收藏⭐评论✍ 自动化测试函数篇 关键词:函数、浏览器参数、常用函数…

JVM系列(十) -垃圾收集器介绍

一、摘要 在之前的几篇文章中,我们介绍了 JVM 内部布局、对象的创建过程、运行期的相关优化手段以及垃圾对象的回收算法等相关知识。 今天通过这篇文章,结合之前的知识,我们一起来了解一下 JVM 中的垃圾收集器。 二、垃圾收集器 如果说收集算法是内存回收的方法论,那么…

前端面试题——栈与队列、动态路由、链表

栈、队列与链表 Java数据结构栏目总结-CSDN博客 栈(Stack) 栈是一种后进先出(LIFO, Last In First Out)的数据结构。它只允许在栈顶进行添加(push)或删除(pop)元素的操作。 基本操…

学习笔记八:基于Jenkins+k8s+Git+DockerHub等技术链构建企业级DevOps容器云平台

基于Jenkinsk8sGitDockerHub等技术链构建企业级DevOps容器云平台 测试jenkins的CI/CD在Jenkins中安装kubernetes插件安装blueocean插件配置jenkins连接到我们存在的k8s集群配置pod-template添加自己的dockerhub凭据测试通过Jenkins部署应用发布到k8s开发环境、测试环境、生产环…

连锁美业门店如何寻找精准客户?美业SaaS拓客系统管理系统源码

连锁美业门店要寻找精准客户,可以采取多种方法结合现实因素进行推广和营销。以下是博弈美业系统给出的一些建议: 1.定位目标客户群体: 首先,门店需要确定目标客户是谁。这可能包括年龄、性别、收入水平、生活方式以及消费习惯等…

AI+RuoYi

1.RuoYi-Vue入门 采用了前后端分离的单体架构设计 1.1运行后端项目 1.Git下载 打开gitee - 点击克隆 -复制https - 打开IDEA关闭project - get vcs - 粘贴 通过idea克隆若依源码,仓库地址:RuoYi-Vue: 🎉 基于SpringBoot,Sprin…

屎记·大夏王本纪

大夏王,古遂州人氏。公元 2023 年冬,君临绵州,是为称王,国号 CW,建元 BK,意为可递万世而为君。以颈上常年绿光,自以为祥瑞,故又自号“森林”。其人方头大耳,幼时则谓富贵…

【学术会议征稿】第二届人工智能、系统与网络安全国际学术会议 (AISNS 2024)

第二届人工智能、系统与网络安全国际学术会议 (AISNS 2024) 2024 2nd International Conference on Artificial Intelligence, Systems and Network Security 由湖南工程学院主办的第二届人工智能、系统与网络安全国际学术会议 (AISNS 2024)将于2024年…

docker部署nginx、docker常用命令

1、安装nginx 未加版本号,默认最新版 docker pull nginxdocker pull nginx:版本号2、查看是否拉取成功 2-1、查看镜像 docker images2-2、镜像打包->可给他人使用 docker save -o nginx.tar nginx:latest2-3、读取打包的镜像 记得先走第三步删除镜像&#x…

Redis安装步骤——离线安装与在线安装详解

Linux环境下Redis的离线安装与在线安装详细步骤 环境信息一、离线安装1、安装环境2、下载redis安装包3、上传到服务器并解压4、编译redis5、安装redis6、配置redis(基础配置)7、启动redis8、本机访问redis9、远程访问redis 二、在线安装1、更新yum源2、安…

【全网最全】《2024高教社杯/国赛》 B题 思路+代码+文献 优化算法+决策树 第一问 生产过程中的决策问题

领取压缩包 问题 1 建模思路 问题描述 企业需要购买零配件1和零配件2,供应商声称一批零配件(零配件1或零配件2)的次品率不超过某个标称值(例如10%)。企业希望通过抽样检测来决定是否接收这批零配件,同时希…

跨域问题(CORS)

介绍 跨域资源共享(CORS, Cross-Origin Resource Sharing)是浏览器的一个安全机制,用来防止来自一个域的网页对另一个域下的资源进行请求。仅允许向 同域名、同端口 的服务器发送请求。 对于前后端分离的项目,往往会有跨域问题。…

SQL必知必会51题

※食用指南:文章内容为牛客网《SQL必知必会》51道题重点笔记,用于重复思考错题,加深印象。 本文章涉及题目也是《SQL必知必会》书中“挑战题”,题目及答案:《SQL必知必会》随书习题答案 练习传送门:SQL必…

java重点学习-Springcloud+业务相关

五 springcloud,业务,消息中间件 5.1 Spring Cloud 5大组件有哪些 5.2 服务注册和发现是什么意思? Sprin Cloud如何实现服务注册发现? 我们当时项目采用的eureka作为注册中心,这个也是spring cloud体系中的一个核心组件服务注册: 服务提供…