基于量化梯度提升模型的边缘AI生命体征监测与临床风险分层系统设计

《Scientific Reports》：Vital sign analysis and correlation of physiological parameters using edge AI and IoT technology

　　

摘要

个体在生活中因生命体征和问题而感到不适，这些问题在于他们使用先进医疗技术识别和应对救生情况的能力。生命体征是重要参数，能在健康状况进一步恶化前提供早期诊断预警。医疗技术的进步，如自动化健康监测系统和远程医疗系统，能够检测、收集实时数据并远程诊断。本文旨在通过部署在ARM Cortex-A72处理器上的量化梯度提升（GB）模型，利用设计的医疗设备测量生命体征，如心率（HR）、体温（T）、血氧饱和度（SpO₂）和血压（BP），以实现自动化临床风险分层。所提出的系统在两个基准数据集上进行了评估：重症监护医疗信息集市急诊科（MIMIC-IV-ED v2.2）数据集和真实世界临床数据集。测量参数的准确性通过基线指标的参数统计分析和来自MIMIC-IV-ED记录数据的高斯分布拟合进行了评估。（GB）算法达到了99.84%的准确率、99.40%的精确率，并实现了较低的假阳性率（FPR）为0.06%。量化边缘AI（INT8）模型部署在处理器上时，延迟达到了0.596毫秒。因此，所设计的系统为实时生命体征监测和基于临床风险的分类提供了一种高效、低延迟的解决方案。