Edge-AI在無創血糖傳感預測中的應用研究
來源:用戶上傳
作者:許婷
摘要：在無處不在的物聯網和人工智能快速發展的時代，尤其是AI技術在醫療產品領域占比逐步擴大化，如何根據糖尿病患者健康狀況使用智能化醫療電子產品進行快速、有效、智能地預測血糖數值未來走勢及時發現病危狀況，這是當前傳感器AI需要攻克的一大難題。因此，文章提出了一種基于Edge-AI技術的無創血糖健康智能預測系統。它通過將AI與邊緣計算的無縫結合，使得人類血糖數據的預測功能更強、使用更方便、安全可靠性也更高效。這種智能便捷式的健康檢測裝置，其快速檢測裝置包括唾液采集裝置、葡萄糖快速檢測裝置；其唾液采集裝置包括唾液采集口、過濾網、存儲腔、出口腔、唾液檢測口；其葡萄糖快速檢測裝置包括處理器、唾液葡萄糖傳感器、顯示屏、外部存儲器、按鍵模塊。此智監測系統能夠根據糖尿病患者健康狀況進行快速、有效、智能地預測血糖數值未來走勢及時發現病危狀況。為醫療衛生的健康預測方面提供了強有力的技術支撐。
關鍵詞：智能預測；邊緣設備；血糖值；檢測裝置
中圖分類號：TP311 文I標識碼：A
文章編號：1009-3044（2022）32-0106-03
1 概述
隨著高科技應用智能化產品的用戶數量不斷攀升，尤其是AI技術在醫療產品領域占比逐步擴大化。已經應用于實際中血糖檢測儀分別有普通家用血壓儀、離子色譜血糖儀、電化學血糖儀等，而所用的智能化醫療電子產品存在著缺陷，只利用當前檢測得到的數據來進行健康狀況的查看，無法根據當前數據來精準智能預測人類血糖的未來健康數據的趨勢特征。針對當今面向未來“無處不在智能”的需求，特別是降低處理延遲，降低系統的處理負載，解決數據傳輸的延遲問題，需要將智能顯示裝置和邊緣設備與無線接入點（AP）和基站（BS）的邊緣服務器之間的密切合作，提出的邊緣計算和人工智能融合的Edge-AI新理論與新技術， 成為當前攻克預測有效健康數據的關鍵要素。針對這個問題，本文提出了一種基于Edge-AI技術的無創血糖健康智能預測系統。它通過將AI與邊緣計算的無縫結合，使得人類血糖數據的預測功能更強、使用更方便、安全可靠性也更高。仿真實驗結果表明，本文算法在根據當前采樣數據值預測血糖走勢時，有明顯效果。
2 國內外研究現狀
由于目前糖尿病患者的數量日益增多，血糖檢測及預測越來越受到各國醫療界關注的熱點。隨著人工智能時代的到來，以及智能電子產品的風靡普及，國內外學者在此研究領域都進行了創新以及改進，國內外研究現狀和發展趨勢，其研究現狀分析具體如下內容所示。
2.1 數據變化的穩定性
國外研究者Kamruzzaman[1]采用基于最小二乘法AR模型在血糖預測中的研究，該研究采用動態血糖檢測系統對患者進行24小時監測，并記錄血糖波動的相關數據變化，但只能僅限于根據血糖數據的變化趨勢提前預測下一節點的血糖值，進而讓血糖變得不平穩，血糖可能不在安全控制的范圍內，因此會降低該功能的性能。
2.2 數據驅動的誤差行
國外研究者M. H. Lee、M. M. Kim.提出了一種采用數據驅動的血糖預測方法，采用現行回歸模型，實際血糖值并不滿足，這樣算法算出來的預測值就不是最優的數值了，同時被假設的那部分信息也被忽略了，檢測人體所有生理參數包括血糖在內的歷史動態數據，并計算誤差行，只是簡單地用模型預測下，方法較粗糙，導致了信息的浪費，不適用于實際生活中。
2.3 異常數據的精度性
國內研究者李孟澤、季忠等人[2]設計研制出一種基于非線性自回歸神經網絡和雙波長的無創血糖檢測方法，使用克拉克誤差網格分析，存在異常數據對模型的不良影響，使得分析結果未達到使用的預測精度，其預測算法存在預測精度和預測延遲的兩個問題，算法不能同時滿足這兩點，沒有一個普遍的實用性算法來解決存在的問題。
綜上所述可知， 關于血糖快速智能預測的系統已經成為當今研究熱點，但是針對預測的精準度、實時性、穩定性、便捷性等存在一定的局限性?，F如今關于該預測系統的技術方面都沒有很好地利用到人工智能、機器學習以及高效的算法等方面改進系統的性能。單片機越來越強大的性能和越來越低的功耗使得復雜算法在邊緣的部署成為現實，另一方面，是算法的發展在合理的準確度損失下需求的算力越來越小。單片機AI通過將人工智能模型的推理和訓練過程推到邊緣節點，因此采用Edge-AI技術可提高該類系統算法預測的高效率。
3 基于Edge-AI的無創血糖預測技術
3.1 研究開發背景
大多數計算密集型任務都在邊緣設備之外執行，邊緣設備最初是為了過濾數據并將其傳輸到云端而創建的，本文在邊緣設備和云之間創建了一些代理層。其中數據、計算、存儲和應用程序分布在數據源和云之間的邏輯高效位置，該層由一組靠近數據源的計算節點創建。這種架構提高了隱私和安全性，并降低了從邊緣傳輸數據的成本。此外，由于減少了計算節點和數據源之間距離，數據所有者可實現更低的處理延遲。EI數據流如圖1所示，邊緣生成的數據來自不同來源，如當前采集的血糖值等，分為三個數據流：
1）首先是上傳數據到云端，基于訓練關于多源數據。模型訓練完成后，云端會根據邊緣數據進行推理，并將結果發送到邊緣。這種數據流廣泛用于傳統的機器智能。
2）其次是直接在邊緣執行推理。邊緣生成的數據將作為從云端下載的邊緣模型的輸入。邊緣將根據輸入進行推理并輸出結果。這是當前的 EI 數據流。
3）第三是在本地進行邊緣培訓。通過利用遷移學習，這些數據將用于在邊緣重新訓練模型。重新訓練后，邊緣將構建個性化模型，該模型對邊緣生成的數據具有更好的性能。這將是 EI 的未來數據流。
3.2 系統模型
1）系統框架
本項目緊緊圍繞運用Edge-AI技術來進行血糖預測這一研究，通過對表面等離子波共振技術與嵌入式技術相結合傳感設備，如圖2，快速檢測出當前實時數據，接著進行Over-Sampling采集數據，依據當前傳感器檢測的實時數據進行模型評估與選擇方法，然后通過AlexNet模型求取預測變量，接著使用EM算法來求期望，達到局部最優解。利用無監督具有學習能力的Edge-AI技術方法，從而進行信號分析、特征提取[3]、健康評估、血糖預測、數據可視化，讓系統更加智能快速進行預測人類未來的血糖數值的走勢特征，使得在當前時間段內實現更快速、更便捷、更精準的預測效果。從而達到能直接預測出誤差最小的結果，從而可快速高靈敏預測人體血糖值，最終推算出人體內的血糖濃度，從而也能夠高效地解決復雜血糖值的預測問題，為患者能預測自己病情狀況提供最有效的技術。
nlc202301131158
2）能量模型
由于節點的能量供應有限，并且傳輸數據的隊列也將受到限制。這會導致重要的數據包丟失，降低傳感器網絡的性能，并導致網絡的擁塞現象?？紤]到這種情況，因此本文中使用發送、接受業務數據流能耗模來描述上述問題。公式（1）是傳輸業務數據流的能耗，公式（2）是接收業務數據流的能量消耗。下式公式（1）中發射電路所耗能記作[Ψelec]，網絡中閾值記作[r0]。[?t，1l，r=lΨelec+lδafsr2 （ if r<r0）?t，2l，r=lΨelec+lδafsr4 （if r>r0 ） （1）]
[?t，r=lΨelec ] [（2） ]
數據位數記[l]，自由空間模型進行放大功率的耗能記[?t，1]，多徑衰減模型行放大功率的耗能記[?t，2]，從文獻[4]設定參數傳感器節點內部數據表如表1所示。
3.3 設計方案
1）檢測設備裝置
智能便捷式的唾液葡萄糖傳感檢測裝置，其特征在于：所述的唾液葡萄糖傳感器采用Y型光纖SPR傳感器包括Y型光纖、光纖SPR探頭，還包括報警裝置（11），所述的報警裝置（11）采用聲光報警器，報警裝置（11）的輸入端與處理器（6）的輸出端連接。所述的唾液檢測口外部有絲口螺紋，唾液葡萄糖傳感器（7）外部設置有絲口螺，唾液葡萄糖傳感器（7）通過絲口螺桿和絲口螺與唾液檢測口連接。
2）關鍵技術路線
該系統對慢性病患者的生命體征時刻進行監測，使用傳感器Edge -TPU采集病患的數據，利用Edge邊緣網關加工分析，使用云構建和訓練機器學習模型，生成對抗網絡GAN，進行對比監測發現異常并警報處理，使設備能夠對來自其傳感器的數據進行實時操作，上傳到云平臺管理。
傳感器Edge- TPU采集數據：數據產生于終端、生產數據并執行決策。Edge -TPU用在邊緣運行TensorFlow-Lite機器學習模型，在邊緣部署高質量機器學習推理，以提供在傳感器或網關設備中與標準芯片共同處理AI工作。針對TensorFLow機器學習模型優化，就不需要等待遠程服務器回應，直接在設備完成。
Edge-AI邊緣網關加工分析：對原始數據進行實時加工分析，小規模局部數據輕量處理，小稻荽媧，數據采集與實時控制，快速進行決策。使用機器學習來發現異常，建立正常行為的基線，網關本地完成AI分析計算，將結果匯總于云端或通過云端可以監視異常情況并發出警報。
云邊協同模式：中心數據管理平臺，大規模整體數據分析，深度學習訓練，大數據存儲，對分布云節點進行管理。可將數據處理和機器學習功能擴展到邊緣設備，使設備能夠對來自其傳感器的數據進行實時操作，并在本地進行結果預測，形成“云管理，端計算”端云一體。
4 實驗與性能對比
本文采用的傳感網絡模擬仿真的應用平臺是OMNET++，在相當多的探究實驗下得到了多方面的運用，其探究實驗過程中使用到的參數[5]具體設定為以下所述：實驗中允許最大元組延遲從一組血糖離散值中隨機選取：200ms、400ms、2s、3s，內存緩存區大小設置為100（元組單位），CPU處理周期和緩存區調度周期分別設置為6s、2s，隊列大小設定35，占空比初始數值是0.3，仿真時間是9s。經過測試，在實驗中性能指標的模擬仿真相比，進行預測血糖趨勢。
4.1 生命周期
由能量消耗最高的節點死亡的時間而結束，無線傳感器網絡在運行相當長的時間之后，因網絡中能量、延遲等因素造成大量節點過早死亡，使得網絡陷入停滯癱瘓狀態而無法進行使用的狀態是網絡壽命。當網絡死亡后，遠Sink區域剩下大量的能量，超過初始能量的90%。在睡眠延遲和能量消耗之間保持平衡是一個挑戰性的問題。
網絡延遲具體來說就是一旦無線傳感器網絡正式運行直到任何一節點死亡，造成此種情況發生的時間間隔。它對無線網絡的工作量、工作效率、工作時數產生嚴重影響。由于網絡延遲取勝決于能量消耗最高節點的壽命，要最小化第一個節點的能源消耗速度。
定理1：假設網絡中共有[σ]個節點，距離Sink為處的[σi]數據承擔量為[?i]，發送一個數據包的能量消耗為[γi]，最小化網絡延遲可通過公式（3）計算。
[Ι=min [Eimax1≤i≤（γit?it+γir?is+ξilpl+ξisen）] （3）]
圖3給出了節點通信半徑和網絡半徑對網絡延遲的影響。使用定理1可得出處于不同占空比數值，通過下述四組實驗結果下，可以得出網絡延遲最低處是在占空比數值為0.4時，節點通信半徑r=110，傳感器的網絡半徑為R=300時，此時的網絡延遲是最小的，也就是說當網絡中節點的占空比調整得比較合理時，節點的通信半徑對網絡延遲有一定影響，降低網絡延遲，能快速準確預測血糖值趨勢。
4.2 實驗結論
本章基于OMNET++平臺的仿真實驗平臺，通過大量的理論分析對方案進行評估，獲得實驗與性能對比分析結果。從網絡接收的系統延遲時間網絡的延遲等方面性能數據做了相關的仿真實驗驗證，各個方面的網絡性能進行實驗探究對比后，發現當占空比[Ηiset]=0.25，可提高網絡能耗可利用率19%，降低網絡延遲，同時還能保證預測血糖數據不低于以往研究。
5 結束語
本研究適用于智能醫療保健中云邊協同提供邊緣智能服務，通過產學研協同創新智能醫療服務云平臺，使得醫療、高?？蒲袌F隊之間展開合作，使醫療市場應用資源和高校、科研機構知識人才資源形成協同效應，為醫學行業帶來持續創新能力。平臺的搭建在降低醫療行業運行成本的同時，又能提高高校科研團隊的成果轉化率，促進產學研協同創新發展。此技術提供邊緣智能的連接與計算服務，滿足行業在敏捷連接、實時業務、數據處理、應用智能、安全與隱私保護等方面的關鍵需求，助力醫療產業數字化轉型升級。
參考文獻：
[1] Kamruzzaman M M，Alrashdi Ibrahim，Alqazzaz Ali.Edge-AI在智慧城市醫療物聯網中的新機遇、挑戰和應用[J/OL].醫療工程雜志，2022（2022） .doi：10.1155/2022/2950699.
[2] 李孟澤，季忠，程錦繡，等.基于非線性自回歸神經網絡和雙波長的無創血糖檢測方法實現[J].生物醫學工程學雜志，2021，38（2）：342-350.
[3] 楊宇祥，吳彬，林海軍，等.無創血糖檢測技術研究進展[J].分析測試學報，2022，41（4）：578-586.
[4] 方旭超，張培茗，饒蘭，等.連續血糖檢測技術研究進展[J].傳感器與微系統，2019，38（8）：1-4，8.
[5] 葉東海，程錦繡，季忠.基于粒子群和反向傳播神經網絡的近紅外光無創血糖檢測方法研究[J].生物醫學工程學雜志，2022，39（1）：158-165.
【通聯編輯：謝媛媛】
nlc202301131158
轉載注明來源:http://www.hailuomaifang.com/8/view-15444078.htm
