Presión arterial en un chip diminuto exprés
Los relojes de pulsera miden el pulso con luz: un LED ilumina la piel y un sensor capta la señal reflejada. Las variaciones de esa señal permiten estimar la presión arterial, pero un cálculo preciso requiere una red neuronal potente, que normalmente opera en la nube, y los datos salen del dispositivo. Esto es incómodo e inseguro: la información médica personal viaja por la red.
El nuevo enfoque comprime la red neuronal hasta el tamaño de una caja de cerillas. Un algoritmo especial revisa por sí mismo las opciones de arquitectura, recorta conexiones innecesarias y ajusta la precisión de los números, como un editor que tacha todo lo superfluo de un borrador. El resultado ocupa menos de 55 kilobytes, diez veces menos que una fotografía en el teléfono. Además, el error en la estimación de la presión se redujo un 8%, y si se ajusta el modelo a una persona concreta, la precisión aumenta otro 64%.
Este enfoque abre el camino a dispositivos portátiles totalmente autónomos. El reloj podría vigilar la presión las 24 horas sin recurrir a un servidor ni agotar la batería en un par de horas. La personalización para el usuario hace que las lecturas sean más precisas, y la privacidad se queda en la muñeca.
Resumen original
tal como lo escribieron los autores, en inglés arXiv:2604.10117
Photoplethysmography (PPG)-based blood pressure (BP) estimation is a challenging task, particularly on resource-constrained wearable devices. However, fully on-board processing is desirable to ensure user data confidentiality. Recent deep neural networks (DNNs) have achieved high BP estimation accuracy by reconstructing BP waveforms or directly regressing BP values, but their large memory, computation, and energy requirements hinder deployment on wearables. This work introduces a fully automated DNN design pipeline that combines hardware-aware neural architecture search (NAS), pruning, and mixed-precision search (MPS) to generate accurate yet compact BP prediction models optimized for ultra-low-power multicore systems-on-chip (SoCs). Starting from state-of-the-art baseline models on four public datasets, our optimized networks achieve up to 7.99% lower error with a 7.5x parameter reduction, or up to 83x fewer parameters with negligible accuracy loss. All models fit within 512 kB of memory on our target SoC (GreenWaves' GAP8), requiring less than 55 kB and achieving an average inference latency of 142 ms and energy consumption of 7.25 mJ. Patient-specific fine-tuning further improves accuracy by up to 64%, enabling fully autonomous, low-cost BP monitoring on wearables.
El modelo cabe en 512 kilobytes de memoria, aproximadamente la mitad de la capacidad de un disquete de los años 1980, en el que cabía un solo documento de texto.
En la serie 'Black Mirror' hay un episodio donde un implante vigila la salud continuamente y transmite los datos al médico: una tecnología similar, pero sin nube y con protección de datos personales.