Кровяное давление на крошечном чипе экспресс
Наручные часы снимают пульс с помощью света: светодиод просвечивает кожу, а датчик ловит отражённый сигнал. По колебаниям этого сигнала можно оценить кровяное давление, но точный расчёт требует мощной нейросети — обычно она работает в облаке, и данные уходят с устройства. Это неудобно и небезопасно: личная медицинская информация путешествует по сети.
Новый подход сжимает нейросеть до размеров спичечного коробка. Специальный алгоритм сам перебирает варианты архитектуры, обрезает лишние связи и подбирает точность чисел — как редактор, который вычёркивает всё ненужное из черновика. В итоге модель занимает меньше 55 килобайт — в десять раз меньше, чем фотография на телефоне. При этом ошибка оценки давления снизилась на 8%, а если дообучить модель под конкретного человека, точность вырастает ещё на 64%.
Такой подход открывает дорогу к полностью автономным носимым устройствам. Часы смогут следить за давлением круглосуточно, не обращаясь к серверу и не разряжая батарею за пару часов. Персональная настройка под владельца делает показания точнее, а приватность остаётся на запястье.
Оригинальная аннотация
как её написали авторы, на английском 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.
Модель умещается в 512 килобайт памяти — это примерно половина объёма дискеты 1980-х, на которой хранился один текстовый документ.
В сериале «Чёрное зеркало» есть эпизод, где имплант непрерывно следит за здоровьем и транслирует данные врачу — похожая технология, но без облака и с защитой личных данных.