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
Fondements du TinyML en santé
- Caractéristiques des systèmes TinyML
- Contraintes et exigences spécifiques au domaine de la santé
- Aperçu des architectures d’IA portables
Acquisition et prétraitement des signaux biologiques
- Manipulation de capteurs physiologiques
- Techniques de réduction du bruit et de filtrage
- Extraction de caractéristiques pour les séries temporelles médicales
Développement de modèles TinyML pour appareils portables
- Sélection d’algorithmes pour les données physiologiques
- Entraînement de modèles dans des environnements contraints
- Évaluation des performances sur des jeux de données de santé
Déploiement des modèles sur des appareils portables
- Utilisation de TensorFlow Lite Micro pour l’inférence embarquée
- Intégration de modèles d’IA dans les dispositifs médicaux portables
- Tests et validation sur le matériel embarqué
Optimisation de la consommation d’énergie 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 dispositifs portables à IA
- Assurance de la robustesse et de l’utilité clinique
- Mécanismes de sécurité et gestion des erreurs
Études de cas et applications en santé
- Systèmes de monitoring cardiaque portables
- Reconnaissance d’activités en réadaptation
- Suivi continu de la glycémie et des biomarqueurs
Évolutions futures du TinyML médical
- Approches de fusion multisenseurs
- Analytique de santé personnalisée
- Puces IA de nouvelle génération à faible consommation
Synthèse et prochaines étapes
Pré requis
- Une compréhension des concepts fondamentaux de l’apprentissage automatique
- Une expérience avec les dispositifs embarqués ou biomédicaux
- Une connaissance des langages Python ou C
Public cible
- Professionnels de la santé
- Génieurs biomédicaux
- Développeurs en intelligence artificielle
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