Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Durée 21 heures
Plan du cours
Fondamentaux du TinyML dans le domaine médical
- Caractéristiques des systèmes TinyML
- Contraintes et exigences spécifiques au secteur médical
- Aperçu des architectures d'IA portable
Acquisition et prétraitement des signaux biologiques
- Travail avec les capteurs physiologiques
- Techniques de réduction du bruit et de filtrage
- Extraction de caractéristiques pour les séries temporelles médicales
Développement de modèles TinyML pour les appareils portables
- Sélection d'algorithmes pour les données physiologiques
- Entraînement des modèles dans des environnements contraints
- Évaluation des performances sur des jeux de données de santé
Déploiement des modèles sur des dispositifs portables
- Utilisation de TensorFlow Lite Micro pour l'inférence sur l'appareil
- Intégration des modèles IA dans les portables médicaux
- Tests et validation sur matériel embarqué
Optimisation de l'alimentation et de la mémoire
- Techniques de réduction de la charge de calcul
- Optimisation du flux de données et de l'utilisation de la mémoire
- Équilibre entre précision et efficacité
Sécurité, fiabilité et conformité
- Considérations réglementaires pour les portables équipés d'IA
- Gestion de la robustesse et de l'utilité clinique
- Mécanismes de secours (fail-safe) et gestion des erreurs
Études de cas et applications médicales
- Systèmes de surveillance cardiaque portables
- Reconnaissance d'activités en rééducation
- Suivi continu de la glycémie et des biomarqueurs
Orientation futures du TinyML médical
- Approches de fusion multi-capteurs
- Analytique de santé personnalisée
- Puces IA basse puissance de nouvelle génération
Synthèse et prochaines étapes
Pré requis
- Une compréhension des concepts fondamentaux du machine learning
- De l'expérience avec des dispositifs embarqués ou biomédicaux
- Une familiarité avec le développement en Python ou en C
Public cible
- Professionnels de la santé
- Ingénieurs biomédicaux
- Développeurs IA
Nos clients témoignent (2)
compétences et projets dans Claude, diversité d'outils pour différentes finalités
Agnieszka Czypionka
Formation - Generative AI in Healthcare: Transforming Medicine and Patient Care
Traduction automatique
Comprendre le contexte de manière approfondie ; maîtriser la rédaction d'un prompt.
Olaf Kannt - Helios Klinikum Krefeld
Formation - Generative AI and Prompt Engineering in Healthcare
Traduction automatique