要約
血液成分の定期的なモニタリングのための高度な無線医療機器への取り組みが不可欠ですが、多くの国では、そのような機器は入手できないか、誰もが購入できる価格ではありません。そのため、一般的な医療機器を使用する代わりに、患者が手動でモバイルヘルスモニターにデータを入力しています。しかし、（1）非現実的なデータを入力しがちである、（2）1日に何度も数値を入力するのが面倒でモバイルアプリから離脱してしまう、などの問題があります。そこで、ユビキタス化したスマートフォンを活用し、医療機器の画面を撮影して有用な情報を自動抽出することで、ミスを減らすことが強く求められているのです。しかし、その開発にはいくつかの課題がある。(1) データ不足により、非常に精度の低い非実用的な手法になっている：我々の知る限り、このケースでは小さなデータセットしか利用できない。(2) 精度と可用性のトレードオフ：携帯電話では、より低い精度のアルゴリズムを実行して高い可用性を維持することができるが、代わりに、より精度と計算量の多いアルゴリズムをクラウドに展開することもできるが、接続性が悪い／ない状況では、低い費用対効果が生じることになる。我々は、クラウド側とモバイル側の予測を統合することで、より高い可用性と高速な応答時間を実現するアンサンブル学習アルゴリズム、モバイル-クラウドコンピューティングサービスアーキテクチャ、および単純な圧縮技術を提示します。さらに、ディープラーニングモデルの活用を容易にし、精度を向上させる合成学習データの生成アルゴリズムを提案します。提案手法は、(1)2種類のデータセットで92.1%と97.7%の精度を達成し、従来手法を40%改善、(2)1%の精度低下で必要帯域を45倍削減、(3)モバイルのみ、クラウドのみ、分割計算、早期終了サービスモデルと比べて高い可用性を実現する、3つの主要目標を達成します。
要約(オリジナル)
Despite essential efforts towards advanced wireless medical devices for regular monitoring of blood properties, many such devices are not available or not affordable for everyone in many countries. Alternatively using ordinary devices, patients ought to log data into a mobile health-monitoring manually. It causes several issues: (1) clients reportedly tend to enter unrealistic data; (2) typing values several times a day is bothersome and causes clients to leave the mobile app. Thus, there is a strong need to use now-ubiquitous smartphones, reducing error by capturing images from the screen of medical devices and extracting useful information automatically. Nevertheless, there are a few challenges in its development: (1) data scarcity has led to impractical methods with very low accuracy: to our knowledge, only small datasets are available in this case; (2) accuracy-availability tradeoff: one can execute a less accurate algorithm on a mobile phone to maintain higher availability, or alternatively deploy a more accurate and more compute-intensive algorithm on the cloud, however, at the cost of lower availability in poor/no connectivity situations. We present an ensemble learning algorithm, a mobile-cloud computing service architecture, and a simple compression technique to achieve higher availability and faster response time while providing higher accuracy by integrating cloud- and mobile-side predictions. Additionally, we propose an algorithm to generate synthetic training data which facilitates utilizing deep learning models to improve accuracy. Our proposed method achieves three main objectives: (1) 92.1% and 97.7% accuracy on two different datasets, improving previous methods by 40%, (2) reducing required bandwidth by 45x with 1% drop in accuracy, (3) and providing better availability compared to mobile-only, cloud-only, split computing, and early exit service models.
arxiv情報
| 著者 | Navidreza Asadi,Maziar Goudarzi |
| 発行日 | 2023-01-04 18:48:53+00:00 |
| arxivサイト | arxiv_id(pdf) |