الگوریتم هوش مصنوعی حافظه کارآمد برای تشخیص سندرم مرگ ناگهانی نوزاد

الگوریتم هوش مصنوعی حافظه کارآمد برای تشخیص سندرم مرگ ناگهانی نوزاد

نوع فایل : word

تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش : 20

تعداد کلمات : 7500

مجله : AI

انتشار : 2022

ترجمه متون داخل جداول : ترجمه شده است

درج جداول در فایل ترجمه : درج شده است

منابع داخل متن : به صورت فارسی درج شده است

کیفیت ترجمه : طلایی

:

تاریخ انتشار
9 مارس 2022
دسته بندی
تعداد بازدیدها
1224 بازدید
40,000 تومان
دانلود اصل مقاله

عنوان فارسی مقاله:الگوریتم هوش مصنوعی حافظه کارآمد برای تشخیص سندرم مرگ ناگهانی  نوزاد در ساختمان های هوشمند

 چکیده

هوش مصنوعی (AI) اساساً ساختمان های هوشمند را با افزایش بهره وری انرژی و بهره وری عملیاتی، بهبود تجربه زندگی و ارائه خدمات مراقبت های بهداشتی بهتر متحول می کند. سندرم مرگ ناگهانی نوزاد (SIDS) یک مرگ غیرمنتظره و غیرقابل توضیح در نوزادان زیر یک سال است. تحقیقات قبلی گزارش داده اند که خوابیدن به پشت می تواند خطر ابتلا به SIDS را به میزان قابل توجهی کاهش دهد. مانیتورهای پوشیدنی یا لمسی مبتنی بر حسگر موجود دارای اشکالات جدی مانند ناراحتی و هشدار کاذب هستند، بنابراین در پایش بر وضعیت خواب نوزاد جذاب نیستند. چندین مطالعه اخیر از دوربین، وسایل الکترونیکی قابل حمل و الگوریتم هوش مصنوعی برای پایش بر وضعیت خواب نوزادان استفاده می کنند. با این حال، دو مسئله اصلی وجود دارد که مانع از شناسایی خطرات بالقوه خواب نوزاد توسط هوش مصنوعی در ساختمان‌های هوشمند می‌شود. برای غلبه بر این تنگناها، در این کار، ما یک مجموعه داده کامل شامل ۱۰۲۴۰ نمونه دید در روز و شب ایجاد می‌کنیم و از کمی‌سازی وزن پس از تمرین برای حل مشکل عظیم تقاضای حافظه استفاده می‌کنیم. نتایج تجربی اثربخشی و مزایای ایده پیشنهادی ما را تأیید می کند. در مقایسه با الگوریتم‌های پیشرفته هوش مصنوعی در ادبیات، روش پیشنهادی ردپای حافظه را حداقل ۸۹ درصد کاهش می‌دهد در حالی که به دقت تشخیص بالای مشابهی در حدود ۹۰ درصد دست می‌یابد. الگوریتم AI پیشنهادی ما فقط به ۶٫۴ مگابایت فضای حافظه نیاز دارد، در حالی که سایر الگوریتم های هوش مصنوعی موجود برای تشخیص وضعیت خواب به ۵۸٫۲ مگابایت تا ۲۷۵ مگابایت فضای حافظه نیاز دارند. این مقایسه نشان می‌دهد که حافظه حداقل ۹ برابر کاهش می‌یابد بدون اینکه دقت تشخیص کاهش یابد. بنابراین، الگوریتم AI کارآمد حافظه پیشنهادی ما پتانسیل زیادی برای استقرار و اجرا بر روی دستگاه‌های لبه‌ای، مانند میکروکنترلرها و Raspberry Pi، که دارای حافظه کم، بودجه توان محدود و منابع محاسباتی محدود هستند، دارد.

ادامه مطلب

راهنمای خرید:
  • لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
  • همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
  • ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
  • در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Memory-Efficient AI Algorithm for Infant Sleeping Death Syndrome Detection in Smart Buildings

Abstract

 Artificial intelligence (AI) is fundamentally transforming smart buildings by increasing energy efficiency and operational productivity, improving life experience, and providing better healthcare services. Sudden Infant Death Syndrome (SIDS) is an unexpected and unexplained death of infants under one year old. Previous research reports that sleeping on the back can significantly reduce the risk of SIDS. Existing sensor-based wearable or touchable monitors have serious drawbacks such as inconvenience and false alarm, so they are not attractive in monitoring infant sleeping postures. Several recent studies use a camera, portable electronics, and AI algorithm to monitor the sleep postures of infants. However, there are two major bottlenecks that prevent AI from detecting potential baby sleeping hazards in smart buildings. In order to overcome these bottlenecks, in this work, we create a complete dataset containing 10,240 day and night vision samples, and use posttraining weight quantization to solve the huge memory demand problem. Experimental results verify the effectiveness and benefits of our proposed idea. Compared with the state-of-the-art AI algorithms in the literature, the proposed method reduces memory footprint by at least 89%, while achieving a similar high detection accuracy of about 90%. Our proposed AI algorithm only requires 6.4 MB of memory space, while other existing AI algorithms for sleep posture detection require 58.2 MB to 275 MB of memory space. This comparison shows that the memory is reduced by at least 9 times without sacrificing the detection accuracy. Therefore, our proposed memory-efficient AI algorithm has great potential to be deployed and to run on edge devices, such as micro-controllers and Raspberry Pi, which have low memory footprint, limited power budget, and constrained computing resources.