ترجمه فارسی مقاله COMFORT: یک چارچوب تنظیم دقیق مستمر برای مدل‌های بنیادی با هدف مراقبت‌های بهداشتی مصرف‌کننده

چکیده

Wearable medical sensors (WMSs) are revolutionizing smart healthcare by enabling continuous, real-time monitoring of user physiological signals, especially in the field of consumer healthcare. The integration of WMSs and modern machine learning (ML) enables unprecedented solutions to efficient early-stage disease detection. Despite the success of Transformers in various fields, their application to sensitive domains, such as smart healthcare, remains underexplored due to limited data accessibility and privacy concerns. To bridge the gap between Transformer-based foundation models and WMS-based disease detection, we propose COMFORT, a continual fine-tuning framework for foundation models targeted at consumer healthcare. COMFORT introduces a novel approach for pre-training a Transformer-based foundation model on a large dataset of physiological signals exclusively collected from healthy individuals with commercially available WMSs. We adopt a masked data modeling (MDM) objective to pre-train this health foundation model. We then fine-tune the model using various parameter-efficient fine-tuning (PEFT) methods, such as low-rank adaptation (LoRA) and its variants, to adapt it to various downstream disease detection tasks that rely on WMS data. In addition, COMFORT continually stores the low-rank decomposition matrices obtained from the PEFT algorithms to construct a library for multi-disease detection. The COMFORT library enables scalable and memory-efficient disease detection on edge devices. Our experimental results demonstrate that COMFORT achieves highly competitive performance while reducing memory overhead by up to 52% relative to conventional methods. Thus, COMFORT paves the way for personalized and proactive solutions to efficient and effective early-stage disease detection for consumer healthcare.

چکیده به فارسی (ترجمه ماشینی)

سنسورهای پزشکی پوشیدنی (WMSS) با فعال کردن نظارت مداوم و در زمان واقعی سیگنال های فیزیولوژیکی کاربر ، به ویژه در زمینه مراقبت های بهداشتی مصرف کننده ، در مراقبت های بهداشتی هوشمند متحول می شوند.ادغام WMSS و یادگیری ماشین مدرن (ML) راه حل های بی سابقه ای را برای تشخیص بیماری کارآمد در مراحل اولیه امکان پذیر می کند.علیرغم موفقیت ترانسفورماتورها در زمینه های مختلف ، کاربرد آنها در حوزه های حساس ، مانند مراقبت های بهداشتی هوشمند ، به دلیل دسترسی محدود به داده ها و نگرانی های مربوط به حریم خصوصی ، همچنان مورد استفاده قرار نمی گیرد.برای ایجاد شکاف بین مدلهای پایه و اساس ترانسفورماتور و تشخیص بیماری مبتنی بر WMS ، ما یک چارچوب تنظیم دقیق و خوب برای مدل های بنیادی را که در مراقبت های بهداشتی مصرف کننده هدف قرار گرفته است ، پیشنهاد می کنیم.Comfort یک رویکرد جدید برای پیش از ترجمه یک مدل پایه و اساس ترانسفورماتور در یک مجموعه داده بزرگ سیگنال های فیزیولوژیکی که به طور انحصاری از افراد سالم با WMS های تجاری موجود جمع آوری شده است ، معرفی می کند.ما یک هدف از مدل سازی داده های نقاب دار (MDM) را برای پیش از رد کردن این مدل بنیاد بهداشت اتخاذ می کنیم.ما سپس مدل را با استفاده از روشهای مختلف تنظیم دقیق پارامتر (PEFT) مانند سازگاری با رتبه پایین (LORA) و انواع آن ، تنظیم می کنیم تا آن را با کارهای مختلف تشخیص بیماری پایین دست که به داده های WMS متکی هستند ، سازگار کنیم.علاوه بر این ، راحتی به طور مداوم ماتریس های تجزیه پایین به دست آمده از الگوریتم های PEFT را برای ساخت یک کتابخانه برای تشخیص چند منظوره ذخیره می کند.کتابخانه راحتی تشخیص بیماری مقیاس پذیر و کارآمد در حافظه را در دستگاه های لبه امکان پذیر می کند.نتایج تجربی ما نشان می دهد که راحتی در حالی که باعث کاهش سربار حافظه تا 52 ٪ نسبت به روشهای معمولی می شود ، به عملکرد بسیار رقابتی می رسد.بنابراین ، راحتی راه را برای راه حل های شخصی و فعال برای تشخیص بیماری کارآمد و مؤثر برای مراقبت های بهداشتی مصرف کننده هموار می کند.