基于生成先验的轻量级个性化边缘推理模型GenWear用于可穿戴生理信号异常检测

《Scientific Reports》：Generative AI-powered multimodal physiological sensors for personalized edge health monitoring

　　

摘要

本研究专注于多源生理时间序列信号的个性化边缘推理，而非影像数据。主要贡献是一种轻量级模型，用于个性化的校准预测，该模型整合了生成先验和灵活的潜在结构，用于ECG/PPG短片段的去噪和插补，随后进行预测。支持组件包括联邦学习、隐私保护机制和TinyML。实验使用公开的MIMIC-III波形数据库进行。所分析的数据集包含10,282名患者和22,317个患者不相交的、记录级窗口，用于二分类（异常/风险）事件分类。正标签分配给生理异常窗口区间，负标签分配给稳定的、非事件区间类别。训练、验证和测试数据的分离在患者级别进行，采用患者数据集的不相交70%/15%/15%划分（7,197/1,542/1,543名患者），约有30%的正类样本，并确保没有窗口出现在多个分区中。在主要实验设置中，GenWear达到了AUROC 0.956 ± 0.006，AUPRC 0.735 ± 0.026，F1 0.842 ± 0.016，以及期望校准误差（ECE）0.017；最佳边缘基线达到AUROC 0.951 ± 0.008。GenWear在GAP9芯片上的INT8实现达到45 Hz，p50/p95延迟为22/34 ms，推理能耗为1.45 mJ。多项研究评估了模型对缺失数据、噪声和域偏移的鲁棒性。鉴于MIMIC-III包含ICU数据，这些数据应仅被视为可穿戴设备生理感知的概念验证。仍需要在真实世界运动数据集上进行验证研究。