Kursplan

Grundläggande för TinyML inom hälsotekniken

  • Karakteristika hos TinyML-system
  • Hälsa-spesifika begränsningar och krav
  • Översikt över bärbara AI-arkitekturer

Biologisk signalinnehållning och förbehandling

  • Arbeta med fysiologiska sensorer
  • Brusreduktion och filtreringstekniker
  • Extrahera egenskaper för medicinska tidssekvenser

Utveckla TinyML-modeller för bärbara enheter

  • Välja algoritmer för fysiologiska data
  • Träna modeller för begränsade miljöer
  • Utvärdera prestanda på hälsodatauppsättningar

Distribuera modeller på bärbara enheter

  • Använda TensorFlow Lite Micro för inferens på enheten
  • Integrera AI-modeller i medicinska bärbara enheter
  • Testning och validering på inbyggd hårdvara

Strömsparande och minnesoptimering

  • Metoder för att minska beräkningsbelastningen
  • Optimering av dataflöde och minnesanvändning
  • Balans mellan noggrannhet och effektivitet

Säkerhet, pålitlighet och kompatibilitet

  • Regleringsaspekter för AI-drivna bärbara enheter
  • Garantera robusthet och klinisk användbarhet
  • Haverisäkra mekanismer och felhantering

Fallstudier och hälsotekniktillämpningar

  • Bärbara hjärtövervakningssystem
  • Aktivitetsigenkänning i rehabilitering
  • Kontinuerlig blodsocker- och biometrisk spårning

Framtidsriktiga riktningar inom medicinsk TinyML

  • Multisensorfusionstekniker
  • Personlig hälsaanalys
  • Nästa generations lågströms AI-chips

Sammanfattning och nästa steg

Krav

  • Grundläggande kunskaper i maskininlärning
  • Erfarenhet av inbyggda eller biomedicinska enheter
  • Bekantskap med Python- eller C-baserad utveckling

Målgrupp

  • Hälso- och sjukvårdsprofessionella
  • Biomedicinska ingenjörer
  • AI-utvecklare
 21 timmar

Antal deltagare


Pris per deltagare

Kommande Kurser

Relaterade Kategorier