Kerangka Materi

Dasar-dasar TinyML dalam Kesehatan

  • Karakteristik sistem TinyML
  • Kendala dan persyaratan khusus bidang kesehatan
  • Gambaran arsitektur AI yang dapat dipakai

Pengambilan dan Pra-pemrosesan Biosignal

  • Bekerja dengan sensor fisiologis
  • Teknik reduksi noise dan filterisasi
  • Ekstraksi fitur untuk data seri waktu medis

Mengembangkan Model TinyML untuk Perangkat Dapat Dipakai

  • Memilih algoritma untuk data fisiologis
  • Melatih model untuk lingkungan terbatas
  • Menilai kinerja pada dataset kesehatan

Menerapkan Model di Perangkat Dapat Dipakai

  • Menggunakan TensorFlow Lite Micro untuk inferensi on-device
  • Mengintegrasikan model AI dalam perangkat medis yang dapat dipakai
  • Pengujian dan validasi di hardware tertanam

Optimalisasi Daya dan Memori

  • Teknik untuk mengurangi beban komputasi
  • Mengoptimalkan aliran data dan penggunaan memori
  • Menyeimbangkan akurasi dan efisiensi

Keamanan, Keandalan, dan Kepatuhan

  • Pertimbangan peraturan untuk perangkat dapat dipakai berbasis AI
  • Memastikan ketahanan dan kelayakan klinis
  • Mekanisme fail-safe dan penanganan kesalahan

Studi Kasus dan Aplikasi Kesehatan

  • Sistem pemantauan jantung yang dapat dipakai
  • Pengenalan aktivitas dalam rehabilitasi
  • Pelacakan glukosa dan biometrik berkelanjutan

Arah Masa Depan di TinyML Medis

  • Pendekatan fusi multisensor
  • Analitik kesehatan personal
  • AI chip berdaya rendah generasi selanjutnya

Ringkasan dan Langkah Selanjutnya

Persyaratan

  • Pemahaman tentang konsep dasar pembelajaran mesin
  • Pengalaman dengan perangkat tertanam atau biomedis
  • Kenyamanan dalam pengembangan berbasis Python atau C

Audience

  • Profesional kesehatan
  • Insinyur biomedis
  • Pengembang AI
 21 Jam

Jumlah Peserta


Biaya per Peserta

Kursus Mendatang

Kategori Terkait