ترجمه فارسی مقاله MetaWearS: میانبری در چرخه عمر سیستم‌های پوشیدنی تنها با چند مرحله

چکیده

Wearable systems provide continuous health monitoring and can lead to early detection of potential health issues. However, the lifecycle of wearable systems faces several challenges. First, effective model training for new wearable devices requires substantial labeled data from various subjects collected directly by the wearable. Second, subsequent model updates require further extensive labeled data for retraining. Finally, frequent model updating on the wearable device can decrease the battery life in long-term data monitoring. Addressing these challenges, in this paper, we propose MetaWearS, a meta-learning method to reduce the amount of initial data collection required. Moreover, our approach incorporates a prototypical updating mechanism, simplifying the update process by modifying the class prototype rather than retraining the entire model. We explore the performance of MetaWearS in two case studies, namely, the detection of epileptic seizures and the detection of atrial fibrillation. We show that by fine-tuning with just a few samples, we achieve 70% and 82% AUC for the detection of epileptic seizures and the detection of atrial fibrillation, respectively. Compared to a conventional approach, our proposed method performs better with up to 45% AUC. Furthermore, updating the model with only 16 minutes of additional labeled data increases the AUC by up to 5.3%. Finally, MetaWearS reduces the energy consumption for model updates by 456x and 418x for epileptic seizure and AF detection, respectively.

چکیده به فارسی (ترجمه ماشینی)

سیستم های پوشیدنی نظارت مداوم سلامت را ارائه می دهند و می توانند منجر به تشخیص زودهنگام مسائل بالقوه بهداشتی شوند.با این حال ، چرخه عمر سیستم های پوشیدنی با چالش های مختلفی روبرو است.اول ، آموزش مدل موثر برای دستگاه های پوشیدنی جدید به داده های دارای برچسب قابل توجهی از موضوعات مختلف جمع آوری شده به طور مستقیم توسط پوشیدنی نیاز دارد.دوم ، به روزرسانی های مدل بعدی به داده های دارای برچسب گسترده دیگر برای بازآموزی نیاز دارند.سرانجام ، به روزرسانی مدل مکرر در دستگاه پوشیدنی می تواند عمر باتری را در نظارت طولانی مدت داده ها کاهش دهد.با پرداختن به این چالش ها ، در این مقاله ، ما Metawears را پیشنهاد می کنیم ، یک روش یادگیری متا برای کاهش میزان جمع آوری داده های اولیه مورد نیاز.علاوه بر این ، رویکرد ما شامل یک مکانیسم به روزرسانی نمونه اولیه است و با اصلاح نمونه اولیه کلاس به جای بازآفرینی کل مدل ، فرآیند به روزرسانی را ساده می کند.ما عملکرد metawears را در دو مطالعه موردی ، یعنی تشخیص تشنج صرع و تشخیص فیبریلاسیون دهلیزی بررسی می کنیم.ما نشان می دهیم که با تنظیم دقیق فقط با چند نمونه ، به ترتیب 70 ٪ و 82 ٪ AUC را برای تشخیص تشنج صرع و تشخیص فیبریلاسیون دهلیزی به دست می آوریم.در مقایسه با یک رویکرد معمولی ، روش پیشنهادی ما با 45 ٪ AUC عملکرد بهتری دارد.علاوه بر این ، به روزرسانی مدل با تنها 16 دقیقه داده های برچسب اضافی ، AUC را تا 5.3 ٪ افزایش می دهد.سرانجام ، Metawears به ​​ترتیب مصرف انرژی برای به روزرسانی های مدل را 456x و 418x برای تشنج صرع و تشخیص AF کاهش می دهد.