Cadre d'apprentissage profond pour la précision et l'amélioration de l'exactitude des réseaux de capteurs

Rapports scientifiques volume 13, Numéro d'article : 11237 (2023) Citer cet article

716 Accès

2 Altmétrique

Détails des métriques

Dans les années à venir, l’intelligence artificielle va transformer la pratique de la médecine dans la plupart de ses spécialités. L’apprentissage profond peut contribuer à une détection meilleure et plus précoce des problèmes, tout en réduisant les erreurs de diagnostic. En alimentant un réseau neuronal profond (DNN) avec les données d'un réseau de capteurs peu coûteux et de faible précision, nous démontrons qu'il devient possible d'améliorer considérablement la précision et l'exactitude des mesures. La collecte des données se fait avec un réseau composé de 32 capteurs de température, dont 16 capteurs analogiques et 16 capteurs numériques. Tous les capteurs ont des précisions comprises entre \(0,5 - 2,0\;^{^\circ } {\text{C}}\). 800 vecteurs sont extraits, couvrant une plage allant de à 30 à \(45\;^\circ \hbox {C}\). Afin d'améliorer les relevés de température, nous utilisons l'apprentissage automatique pour effectuer une analyse de régression linéaire via un DNN. Dans le but de minimiser la complexité du modèle afin d'exécuter éventuellement des inférences localement, le réseau avec les meilleurs résultats implique seulement trois couches utilisant la fonction d'activation tangente hyperbolique et l'optimiseur Adam Stochastic Gradient Descent. Le modèle est entraîné avec un ensemble de données sélectionné au hasard utilisant 640 vecteurs (80 % des données) et testé avec 160 vecteurs (20 %). En utilisant l'erreur quadratique moyenne comme fonction de perte entre les données et la prédiction du modèle, nous obtenons une perte de seulement 1,47x10\(^{-4}\) sur l'ensemble d'apprentissage et de 1,22x10\(^{-4}\) sur l'ensemble de test. En tant que telle, nous pensons que cette approche attrayante offre une nouvelle voie vers des ensembles de données nettement meilleurs utilisant des capteurs à très faible coût facilement disponibles.

L’intelligence artificielle (IA) a progressivement transformé la médecine au cours des dernières années. Comme l'ont démontré Bohr & Memarzadeh1, elle peut avoir un impact sur tous les domaines des soins de santé en permettant une détection plus précise des maladies, une analyse d'images, une surveillance des patients et une auto-administration plus efficace de médicaments, entre autres2. La combinaison de l’IA avec des dispositifs de surveillance de la santé peut réduire considérablement les coûts des soins de santé1. En particulier, l’apprentissage profond (DL) peut aider à découvrir des corrélations et des modèles cachés à l’aide d’algorithmes avancés d’apprentissage automatique, notamment les réseaux de neurones artificiels (ANN)3,4. Ainsi, l'apprentissage automatique profond peut être utilisé pour parvenir à une reconnaissance plus précoce de modèles complexes dans les données d'un patient afin de détecter les anomalies et de corréler les symptômes et les maladies. Cette nouvelle branche de la médecine peut la rendre plus accessible et plus abordable5,6. En exploitant l’apprentissage automatique, nous cherchons à démontrer que des combinaisons de capteurs moins coûteux et de moindre précision peuvent potentiellement devenir aussi précises que n’importe quelle technologie de santé de pointe, réduisant ainsi les coûts et offrant un accès plus universel aux soins de santé1. S'appuyant sur cette philosophie, ce rapport établit comment une approche d'apprentissage profond peut produire des prévisions de données plus précises à partir d'un réseau de capteurs de température à très faible coût.

Les capteurs de température existent dans de nombreuses conceptions et matériaux, en fonction de leur application cible. Au-delà du coût, les principales caractéristiques à prendre en compte sont la fiabilité, le temps de réponse, la précision, la sensibilité, la plage de température et, pour la température cutanée, la portabilité7. Ils peuvent inclure des thermocouples, des détecteurs de température à résistance (RTD), des thermistances et des capteurs à semi-conducteurs, chacun ayant ses propres avantages et inconvénients8,9,10. Les spécifications détaillées de ces capteurs se trouvent dans la littérature7,9. Pour ce projet, nous utilisons des thermistances à coefficient de température négatif (NTC) et des circuits intégrés (CI) à base de semi-conducteurs. Les capteurs NTC mesurent le changement de résistance. La température est ensuite calculée avec l'équation de Steinhart-Hart donnée par 11,

où T est la température en Kelvin, R est la résistance de la thermistance et A, B, C sont des constantes spécifiques au capteur, généralement fournies par les fabricants11. Ce sont des capteurs analogiques dont la sortie est un signal électrique continu converti en température. En revanche, les capteurs basés sur des circuits intégrés (CI) utilisent des transistors bipolaires pour effectuer les mesures. Le capteur IC spécifique choisi pour ce travail comprend également un convertisseur analogique-numérique. En tant que tel, le signal de sortie du capteur est une lecture de température non continue.