深度学习强力助推人类健康监测

深度学习引发了健康监测领域的一场革命，从根本上改变了健康监测方法，并为更好地了解人体工作机理开辟了新的视角。

人体是一个不断变化的复杂系统。健康行业在诊断和治疗疾病过程中，强调的是生物指标测量和患者跟踪监察。然而，这些测量和监察往往是在孤立时刻进行的，可能无法全面了解患者的整体情况。这可能导致错误的诊断和治疗，因为医生常常缺乏做出明智决策所需的重要信息。

算力、设备小型化和电池能效等技术领域的最新进展，为持续健康监测提供了技术基础。持续监测能使医生在很长一段时间内全面、动态地了解患者的病情，并加强了对疾病进展的掌控和对未来健康结果的预测。但持续监测是一个多方面的过程，包括人类生理学的复杂性质和身体内发生的动态变化。它涉及心率、血压、血糖水平和活动模式等参数的跟踪和分析。复杂性主要在于这些参数之间存在错综复杂的相互影响以及各种潜在的相关性。

此外，可穿戴设备与物联网传感器等先进技术的集成，产生了大量需要传输、实时分析和解释的数据，也进一步增加了复杂性。挑战在于如何确保数据准确性、保护用户隐私以及开发有效的算法来检测各种模式和种种异常。虽然这种方法极为复杂，但在早期发现健康问题、进行个性化干预和改善人类健康方面，具有巨大潜力。

数字治疗机会

人工智能使得大量健康数据的实时处理成为可能。传统的医疗保健方法，即主观评估、对患者的有限监察和对患者的询问，都具备固有的局限性。首先，并非所有患者都能够提供准确、完整的信息。有时候，患者也许会错误表达甚至隐瞒医生诊断和治疗所需的关键信息。

通过数据分析、模式识别和预测，数字化医疗机构从人工智能中受益匪浅，深度学习在健康监测中发挥着重要作用。

通过利用各种传感器所获得的数据，这些医疗平台可为患者提供个性化的治疗计划，最终改善健康状况。在处理来自不同传感器的数据和生成健康预测方面，平台内的机器学习模型发挥着至关重要的作用。这些模型利用神经网络来仔细审查大量具有实质性的数据，并对未来的健康结果进行预测。

在健康监测中，利用传感器融合，可以提供更高的准确性以及患者健康状况的全面数据。通过融合各种传感器的数据，医生可以更全面地了解患者的健康状况，从而更好地确定治疗和护理方案。

在很大程度上，治疗平台依赖于从各种可穿戴传感器持续收集数据，这也为传感器管理和数据传输到云端所产生的功耗方面带来了挑战。

通常，这些传感器集成到可穿戴、便携式或可伸缩的柔性设备中，如智能手表、戒指、智能手机和基于纤维材料的设备。

当前的健康监测设备普遍存在体积大、单次充电工作时间有限和成本高等缺点。这些限制中，一个关键因素是需要收集、存储和传输来自各类生物传感器的大量原始数据。不过，深度学习的最新进展，简化了生物传感器原始数据的预处理，进而从传感器上即可直接提取到相关信息。

在靠近传感器侧，利用神经形态前端(NFE)，可以直接增加传感器的智能，而无需将数据发送到云端。这样一来，将传感器的数据流减少了数千倍，消除了与传输、处理和存储相关的多项后续成本。该方案降低了总拥有成本，并使整个传感器节点解决方案具有可持续性。

NFE应与传感器型号或供应商无关，并适用于来自传感器的各种模拟和数字信号。在一个实例中，NFE适应任何类型的输入信号，已从中提取有用信息。采用类比法信息处理，实现了微瓦级别的超低功耗及几微秒的超快速推理时间。

医疗应用

连续血糖监测

连续血糖监测可自动跟踪昼夜血糖水平。这可以衡量数小时或数天的趋势，实时功能可以帮助人们在一天中更好地决定如何保持食物摄入、体育运动和药物服用之间的平衡。

对于普通公众来说，各类数字治疗机构提供的各种解决方案，基本都依赖于连接到智能手机的各种一次性传感器。而对于糖尿病患者，尽管手指检查对于胰岛素剂量控制仍然是必要的，但持续的血糖监测可以提高对血糖水平的掌控。

通过整合从血压监测和活动跟踪获得的数据，加强对普通人群和患者血糖水平的监测变得可行。全面综合血糖监测、血压评估、活动跟踪和其他生命体征的方法，为满足每个患者不同需求和状况的个性化治疗计划打开了大门。为了提高效率，该解决方案需要在监测设备侧进行密集的数据预处理，以对各种信号进行提取和同步。

心血管疾病监测

心血管疾病的管理通常涉及长期监测，需要利用灵活性和适应性更强的传感器。材料、设备、集成电子系统、物联网和边缘计算方面的最新进展，促进了实时且用户友好型心血管疾病相关体征的测量及信号检测。

就评估患者的心血管疾病和整体健康而言，有几个生命体征的监测非常重要。通常需要监测的这些关键生命体征包括血压、心率、心率变异性、呼吸率、血氧饱和度、体温、胆固醇水平和血糖水平。这些生命体征，加上全面的病史和诊断测试，有助于医疗保健专业人员评估心血管疾病的严重程度，跟踪治疗的有效性，并就患者护理做出明智的决策。这也需要从云中卸载原始数据预处理，而改在边缘完成密集的数据融合。

呼吸系统疾病监测

通过健康监测中的传感器融合，发现存在价值的领域还包括呼吸系统疾病监测，包括普通感冒、流感甚至新冠肺炎等感染。通过温度和呼吸传感以及与心率监测的融合，医生能够识别可能存在呼吸道疾病的身体变化。例如，温度和呼吸率的升高，再加上心率的增加，可能是感冒或流感的症兆。

就新冠肺炎来说，传感器融合在该疾病应对方面也显示出重大前景。通过利用可穿戴呼吸传感器，来监测呼吸率和咳嗽频率等生物力学方面的指标，加上呼出气体等生化监测结果分析，可为诊断和监测提供一个使用方便、连续、广泛、无创且可靠的解决方案。

新一代传感器的出现，加上人工智能，正在推动呼吸健康监测的新趋势，但有效的预处理也是解决数据隐私这一重要挑战的主要因素，这一问题经常在与医学治疗相关的研讨中提出。

神经形态方法

NFE本质上是一个基于神经形态模拟信号处理(NASP)技术的微小计算单元。神经形态处理器的利用，支持以模拟人脑工作的方式进行数据处理。因此，即使面对有限和不完备的数据，这种能力也能够准确预测患者的健康状况。

人类视觉就是一个非常有用的例子。对眼睛来说，在视网膜、视神经和视觉皮层等复杂的细胞和结构网络将信息传输到大脑之前，会对信息进行预处理。神经形态计算也模拟这种复杂的神经架构，利用在专用硬件上实现的神经网络，通过并行、低功耗和事件驱动处理来有效处理大量数据。

通过复制人类生物系统的基本原理，神经形态计算努力模仿大脑感知和解释信息的非凡能力，为开发高效智能的计算系统开辟了新的可能性。

重要的是，在设备侧即可完成基于传感器原始信号的信息提取方面，神经形态技术提供了卓越性能，从而大幅减少了数据量。该数据量的减少将允许把更有价值的信息高效地传输到云。这项技术在彻底改变健康监测方法方面具有巨大潜力。

NASP还将促进更高效、更精确、体积更小、运行时间更长、成本效益更高的健康监测设备的开发。

(参考原文：deep-learning-in-health-monitoring）

本文为《电子工程专辑》2023年11月刊杂志文章，版权所有，禁止转载。点击申请免费杂志订阅