W naszym najnowszym webinarium EU-TRAINS zgłębiliśmy świat sygnałów sercowo-oddechowych i to, jak mogą one monitorować stan zdrowia, wykrywać stres i zasilać inteligentne systemy, nawet w małych urządzeniach o niskim poborze mocy.
Mika Tarvainen z Kubios poprowadził praktyczny, przyspieszony kurs zmienności rytmu serca (HRV): czym ona jest, jak odzwierciedla nasz autonomiczny układ nerwowy i jak ją mierzyć za pomocą EKG lub czujników optycznych. Wyjaśnił:
- Dlaczego precyzja 1 ms ma znaczenie dla wiarygodnych danych HRV
- Jak oddychanie wpływa na rytm serca poprzez arytmię zatokową oddechową
- Różnica między aktywnością układu współczulnego i przywspółczulnego oraz jak przejawia się ona w danych
- Dlaczego sportowcy i aplikacje do monitorowania snu wykorzystują HRV do monitorowania zmęczenia, stresu i regeneracji
- I jak nawet pojedyncze zakłócone uderzenie może zniekształcić wyniki, sprawiając, że jakość sygnału i jego korekta są niezbędne
📉 Michał Kopczyński z DAC.digital następnie pokazał, co dzieje się po zebraniu danych:
- Jak kompresować surowe dane fizjologiczne (takie jak sygnały EKG i akcelerometru), aby można je było wykorzystać na urządzeniach brzegowych
- Dlaczego prawidłowa adnotacja ekspertów dziedzinowych jest kluczowa dla budowania niezawodnych modeli AI, zwłaszcza w przypadku wykrywania stresu
- Jak skompresowane formaty, takie jak Parquet, mogą zmniejszyć rozmiar danych z 800 MB do 80 MB bez utraty struktury
- Które modele uczenia maszynowego działają na brzegu sieci (wskazówka: MobileNet, a nie ResNet) i jak znaleźć równowagę między dokładnością a wykorzystaniem pamięci
- Jak nasi eksperci wykorzystali model Przycinanie w celu zmniejszenia rozmiaru modelu głębokiego uczenia z 2,4 GB do poniżej 40 MB, skracając czas wnioskowania o 90% bez znaczącego spadku wydajności.
Sesja pokazała cały proces: od pomiaru biosygnałów → przez wstępne przetwarzanie → po dane gotowe na AI → i wnioskowanie w czasie rzeczywistym na brzegu sieci.
Zachęcamy do wysłuchania webinaru.
