📄 Version "Simple" affichee, "Avancé" n est pas encore prete. Ajoutez-le aux favoris pour aider a la prioriser. Demander l’analyse complète

Les montres connectées mesurent le pouls grâce à la lumière : une LED éclaire la peau et un capteur capte le signal réfléchi. En analysant les variations de ce signal, on peut estimer la pression artérielle, mais un calcul précis nécessite un réseau de neurones puissant — qui fonctionne généralement dans le cloud, ce qui implique l'envoi des données hors de l'appareil. C'est à la fois peu pratique et peu sûr : des informations médicales personnelles voyagent sur le réseau.

La nouvelle approche compresse le réseau de neurones jusqu'à la taille d'une boîte d'allumettes. Un algorithme spécial explore lui-même les variantes d'architecture, élimine les connexions superflues et ajuste la précision des nombres — comme un rédacteur qui supprime tout ce qui est inutile dans un brouillon. Résultat : le modèle occupe moins de 55 kilo-octets — dix fois moins qu'une photo sur un téléphone. De plus, l'erreur d'estimation de la pression a diminué de 8 %, et si l'on ré-entraîne le modèle sur une personne en particulier, la précision augmente encore de 64 %.

Cette approche ouvre la voie à des dispositifs portables entièrement autonomes. Les montres pourront surveiller la pression en continu, sans faire appel à un serveur ni vider la batterie en quelques heures. Le réglage personnalisé pour le porteur rend les mesures plus précises, et la confidentialité reste au poignet.

Résumé original

tel que rédigé par les auteurs, en anglais 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.