Bu tədqiqat elektrokardioqrafiya (ECG) siqnallarındakı normaldan kənar ürək döyüntülərini böyük serverə davamlı məlumat göndərmədən, resursları məhdud edge və ya TinyML sinifli cihazlarda aşkarlaya biləcək qədər kiçik süni intellekt modeli yaratmağı hədəfləyir. Tədqiqatçılar bu məqsədlə yalnız normal ECG döyüntüləri ilə öyrədilən birölçülü convolutional autoencoder hazırlamış və modelin normal ürək döyüntüsünü nə qədər yaxşı yenidən qura bildiyini anomaly score kimi istifadə etmişdir. Normaldan fərqli ECG morfologiyaları daha yüksək reconstruction error yaratdıqda, xəta əvvəlcədən müəyyən edilən həddən yüksəkdirsə nümunə anomal olaraq təsnif edilir.

İstifadə olunan ECG Heartbeat Categorization məlumat dəsti PTB Diagnostic ECG Database-dən törədilmişdir və mənbədə ümumilikdə 14.552 ürək döyüntüsü olduğu göstərilir: 4046 normal və 10.506 abnormal ECG beat. Hər ürək döyüntüsü R-zirvəsi ətrafında hizalanmış 187 zaman nümunəsi ilə təmsil olunur. CNN autoencoder yalnız normal nümunələrlə one-class formasında öyrədilmiş; abnormal döyüntülər təlim zamanı istifadə edilməyib test məqsədilə saxlanmışdır.

Model yalnız 1393 parametrə malikdir. Mənbə hesablamasına görə parametrlərin FP32 kimi saxlanması təxminən 5,44 KB, INT8-ə quantize edilməsi isə təxminən 1,36 KB tələb edir. Beləliklə parametr saxlama yaddaşında təxminən %75 azalma əldə edilir. Lakin bu dəyər ümumi TinyML tətbiq yaddaşı deyil; aktivləşdirmələr, iş buffer'ları, proqram kodu və runtime overhead bu hesablamaya daxil edilməmişdir.

FP32 model üçün tədqiqatda %83,12 accuracy, %85,88 precision, %91,47 recall və %88,67 F1-score bildirilmişdir. INT8 modeldə threshold yenidən tənzimləndikdən sonra accuracy %82,19, precision %83,66, recall %93,61 və F1-score %88,36 olaraq göstərilmişdir. Beləliklə parametr yaddaşının dörddəbirə enməsinə qarşılıq F1-score'dakı bildirilən azalma yalnız 0,31 faiz bəndidir.

Mənbənin confusion matrix'lərində mühüm etiketləmə problemi vardır. Məlumat dəsti mətndə 4046 normal və 10.506 abnormal beat kimi açıqlanarkən FP32 və INT8 confusion matrix'lərində 4046 nümunə ehtiva edən sətir “Abnormal”, 10.506 nümunə ehtiva edən sətir “Normal” kimi etiketlənmişdir. Sinif adları məlumat dəsti təsvirinə görə tərs şərh edildikdə bildirilən metriklərin böyük hissəsi matrislərdən yenidən əldə edilə bilir. FP32 precision üçün isə matrisdən təxminən %86,03 əldə olunduğu halda mənbə %85,88 bildirir.

Tədqiqatın TinyML baxımından ən mühüm məhdudiyyəti real mikrokontroller deployment'ının həyata keçirilməmiş olmasıdır. INT8 quantization, threshold tənzimlənməsi və inference qiymətləndirilməsi MATLAB/CPU mühitində proqram təminatı kimi həyata keçirilmişdir. Buna görə tədqiqat modelin aşağı parametr yaddaşına və quantization sonrası qoruna bilən anomaly-detection performansına dair dəlil təqdim edir; müəyyən MCU üzərində real latency, enerji sərfi və ya end-to-end səhiyyə sistemi performansı göstərmir.

Türkiyə baxımından şərh: Bu tədqiqat Türkiyədəki klinik ECG qeydləri və ya xəstə populyasiyası üzərində həyata keçirilməmişdir. Üsul portativ sağlamlıq monitorinqi və evdə qulluq cihazlarının dizaynı baxımından Türkiyədə də texniki olaraq qiymətləndirilə bilər; lakin real istifadədən əvvəl yerli xəstə qrupları, fərqli ECG cihazları, səs-küy şəraiti və müxtəlif kardiak patologiyalarla müstəqil klinik doğrulama tələb olunur. Bundan əlavə tədqiqatdakı sistem yalnız “normal / anormal” ayrımı aparır; aritmiya növünü diaqnoz etmir. Buna görə nəticələr klinik diaqnostika cihazının performansı kimi şərh edilməməlidir.

Tədqiqatın əsas problemi nədir?

Davamlı ECG monitorinqi normal ürək ritmindən sapmaların erkən aşkarlanmasında mühüm ola bilər. Lakin ECG məlumatının fasiləsiz mərkəzi serverə göndərilməsi rabitə yükü, gecikmə, enerji sərfi və məxfilik baxımından mənfi cəhətlər yarada bilər. Digər tərəfdən böyük CNN, LSTM və ya Transformer modellərini aşağı güclü mikrokontrollerlərdə işlətmək də yaddaş və hesablama məhdudiyyətləri səbəbilə çətindir.

Tədqiqatın yanaşması bu iki problemi birlikdə həll edir: mümkün qədər kiçik autoencoder yaratmaq və sonra model çəkilərini 32 bit floating-point göstərişdən 8 bit integer göstərişə endirərək parametr yaddaşını azaltmaq.

Sistem necə işləyir?

Məlumat dəsti necə hazırlanmışdır?

Mənbə ECG siqnallarını Kaggle ECG Heartbeat Categorization məlumat dəstindən götürür. Bu məlumat dəstinin PTB Diagnostic ECG Database-dən törədildiyi göstərilmişdir.

Hər nümunə tək heartbeat cycle'dır və:

• R-zirvəsi ətrafında mərkəzləşdirilmişdir,
• 187 zaman-domain nümunəsi ehtiva edir,
• normal və ya abnormal olaraq ayrılmışdır.

Mənbədə ümumi məlumat:

Autoencoder yalnız normal ECG beat'lərlə öyrədilir. Buna görə model müəyyən aritmiya siniflərini öyrənmək əvəzinə “normal ürək döyüntüsü necə görünür?” sualına cavab verən representation yaratmağa çalışır.

Hər ECG beat niyə ayrıca normallaşdırılır?

Mənbə amplituda fərqlərinin təsirini azaltmaq üçün hər nümunəni öz ortası və standart sapması ilə normallaşdırır:

\[ \tilde{x}_i= \frac{x_i-\mu_x}{\sigma_x} \]

Bu əməliyyat nəticəsində hər beat təxminən sıfır orta və vahid varians miqyasına gətirilir.

Burada mühüm şərh sərhədi budur: per-sample normalization modelin ECG morfologiyasını araşdırmasını asanlaşdıra bilər, lakin mütləq amplituda məlumatının bir hissəsini də normallaşdırır. Tədqiqat bu preprocessing seçiminin fərqli klinik ssenarilərə təsirini ayrıca müqayisə etmir.

CNN Autoencoder'ın quruluşu nə qədər kiçikdir?

Model 187×1×1 ölçülü ECG girişini encoder–decoder quruluşu ilə işləyir.

Mənbənin Şəkil 2 və metod bölməsinə görə:

• encoder tərəfində 8 filtrli 3×1 convolution,
• ReLU aktivləşdirməsi,
• 16 vahidlik bottleneck/dense qatı,
• decoder tərəfində dense + reshape,
• 3×1 transposed convolution

istifadə olunur.

Ümumi öyrədilə bilən parametr sayı yalnız:

1393

olaraq verilmişdir.

Model necə öyrədilmişdir?

Mənbə adi CPU üzərində training'in təxminən 3–4 dəqiqə davam etdiyini bildirir. Lakin istifadə olunan prosessor modeli və digər benchmark şərtləri verilmədiyi üçün bu müddət başqa avadanlıqlara ümumiləşdirilə bilməz.

Reconstruction error necə hesablanır?

Autoencoder tərəfindən reconstructed edilən beat:

\[ \hat{x}_i=f_{\theta}(x_i) \]

kimi müəyyən edilir.

Hər beat'in reconstruction error dəyəri:

\[ e_i= \frac{1}{H} \sum_{j=1}^{H} (x_{i,j}-\hat{x}_{i,j})^2 \]

ilə hesablanır. Burada \(H=187\)'dir.

Model yalnız normal ECG formalarını gördüyü üçün tədqiqatın əsas fərziyyəsi normal beat'ləri aşağı xəta ilə; fərqli morfologiyalı abnormal beat'ləri isə daha yüksək reconstruction error ilə yenidən quracağıdır.

Anomaly qərarı necə verilir?

Mənbə FP32 model üçün sabit threshold dəyərini:

\[ \tau=3.55993\times10^{-4} \]

olaraq verir.

Təsnifat:

\[ Label_i= \begin{cases} 1,& e_i>\tau \quad \text{anormal}\\ 0,& e_i\leq\tau \quad \text{normal} \end{cases} \]

şəklindədir.

Threshold dəyəri F1-score'u ən yüksək edən namizədin seçilməsi ilə müəyyən edilmişdir. Bu yanaşma anomaly score'un özünü dəyişmir; yalnız normal/anormal qərar sərhədini müəyyən edir.

FP32-dən INT8-ə keçid necə edilir?

Quantization əməliyyatı təlim başa çatdıqdan sonra tətbiq olunur. Mənbə hər qatda maksimum mütləq çəki dəyərindən istifadə edərək miqyas faktorunu hesablayır:

\[ s= \frac{\max(|W|)}{127} \]

Daha sonra çəki:

\[ \omega_q= round \left( \frac{127}{\max(|\omega|)} \omega \right) \]

ilə −127 ilə +127 arasındakı INT8 göstərişinə çevrilir.

Mənbədə quantization sonrasında reconstruction error paylanmasının müəyyən qədər dəyişdiyi aydın şəkildə görünür. Buna görə FP32 threshold'unu olduğu kimi INT8 modeldə istifadə etmək əvəzinə ayrıca threshold optimallaşdırılmışdır:

\[ \tau_q= \arg\max_{\tau}F1(\tau) \]

Şəkil 6 başlığında INT8 üçün seçilmiş “best-th” təxminən 0,0005052 kimi göstərilir.

Threshold niyə yenidən tənzimlənir?

INT8 quantization çəkiləri daha az bitlə təmsil etdiyi üçün reconstructed siqnalda kiçik sayısal dəyişikliklər yarada bilər. Bu dəyişikliklər anomaly detection'ın istifadə etdiyi reconstruction-error paylanmasını sürüşdürə bilər.

Mənbə FP32 threshold'unun INT8-ə birbaşa tətbiq edilməsi halında false-positive sayının artdığını; INT8-ə xüsusi threshold optimallaşdırmasının bu təsiri azaltdığını bildirir.

Bu nəticə model çəkilərinin sadəcə kiçildilməsinin kifayət etmədiyini; anomaly threshold'unun quantization sonrasında yenidən kalibrlənməsinin vacib olduğunu göstərir.

Parametr yaddaşı həqiqətən nə qədər azalır?

Mənbənin memory hesabı:

\[ Memory=N_p\times b \]

şəklindədir.

1393 parametr × 4 byte təxminən 5,44 KiB; 1393 parametr × 1 byte təxminən 1,36 KiB edir. Beləliklə parametr yaddaşı tam olaraq dörddəbirə enir.

Vacib texniki fərq: Bu hesab yalnız model çəkilərini əhatə edir. Real TinyML tətbiqində activation tensor'ları, input/output buffer'ları, quantization scale dəyərləri, firmware, inference engine və stack/heap də yaddaş sərf edir. Tədqiqat bunların ümumi miqdarını ölçmür.

FP32 nəticələri nədir?

Şəkil 7-də FP32 ROC əyrisinin AUC dəyəri 0,8327 olaraq açıq şəkildə göstərilir.

INT8 nəticələri nədir?

INT8 modeli accuracy və precision baxımından müəyyən qədər azalarkən recall artmışdır. Buna görə yalnız accuracy-yə baxaraq quantization təsirini qiymətləndirmək kifayət deyil.

Confusion matrix'lərdə hansı problem var?

Mənbənin məlumat dəsti tərifi bu sinif paylanmasını verir:

4046 normal + 10.506 abnormal = 14.552 beat.

Lakin FP32 Şəkil 4-də görünən matris belədir:

Yuxarı sətirin cəmi:

\[ 2486+1560=4046 \]

aşağı sətirin cəmi:

\[ 896+9610=10506 \]

olur. Bunlar məlumat dəstində müvafiq olaraq normal və abnormal saylarıdır. Beləliklə confusion matrix'in sinif adları məlumat dəsti təsvirinə görə tərs görünür.

Eyni nümunə INT8 Şəkil 6-da da təkrarlanır:

Burada da:

\[ 2125+1921=4046 \]

və:

\[ 671+9835=10506 \]

olur.

Buna görə ən tutarlı şərh confusion matrix oxlarındakı Normal/Abnormal adlarının bir-birinin yerinə yazılmış olmasıdır.

Matrislərdən metriklər yenidən əldə edilə bilirmi?

FP32 matrix'i məlumat dəstindəki real sinif saylarına görə yenidən şərh etdikdə abnormal detection üçün:

\[ Precision= \frac{9610}{9610+1560} \approx86,03\% \]

\[ Recall= \frac{9610}{9610+896} \approx91,47\% \]

\[ F1\approx88,67\% \]

\[ Accuracy= \frac{2486+9610}{14552} \approx83,12\% \]

əldə edilir.

Accuracy, recall və F1 mənbə ilə uyğun gəlir; lakin mənbə precision dəyərini %85,88 verir. Matrisdən təxminən %86,03 alınır. Fərq təxminən 0,15 faiz bəndidir.

INT8 confusion matrix-də eyni yenidən şərh:

\[ Precision\approx83,66\% \]

\[ Recall\approx93,61\% \]

\[ F1\approx88,36\% \]

\[ Accuracy\approx82,19\% \]

nəticələrini verir və bunlar mənbədə bildirilən dəyərlərlə uyğundur.

QRS morfologiyası həqiqətən qorunurmu?

Mənbə FP32 və INT8 reconstructed ECG şəkilləri ilə reconstruction-error paylanmalarının bir-birinə yaxın olduğunu və xüsusilə QRS kompleksinin əsas quruluşunun qorunduğunu şərh edir. Quantization sonrasında bəzi yüksək enerjili bölgələrin bir qədər daha yumşaq göründüyü bildirilir.

Lakin burada “klinik olaraq mənalı bütün ECG xüsusiyyətlərinin itkisiz qorunduğu” kimi daha güclü nəticə çıxarıla bilməz. Tədqiqat kardioloqlar tərəfindən aparılmış morfoloji kor qiymətləndirmə, klinik equivalence testi və ya çoxmərkəzli diaqnostik doğrulama təqdim etmir.

Real TinyML avadanlığında işlədilibmi?

Xeyr. Tədqiqat bunu açıq şəkildə məhdudlaşdırır. Quantization pipeline MATLAB R2025a-nın dlquantizer yanaşması ilə və CPU üzərində həyata keçirilmişdir.

Mənbə aşağıdakı mərhələlərin proqram təminatında həyata keçirildiyini açıqlayır:

• FP32 inference,
• INT8 approximation,
• threshold optimization,
• metric evaluation.

Mikrokontroller və ya accelerator hardware istifadə edilməmişdir.

Beləliklə “TinyML-enabled edge device” bu tədqiqatda birbaşa sınaqdan keçirilən cihaz deyil, modelin hədəf deployment sinfidir.

INT8 həqiqətən integer-only inference'dırmı?

Mənbə INT8-in gələcəkdə integer-only inference üçün uyğun olduğunu müzakirə edir. Lakin eksperimental pipeline-da quantized dəyərlərin lazım olduqda FP32 approximation'a dequantize edildiyi bildirilir.

Buna görə tədqiqatın ölçdüyü şey real MCU üzərində tamamilə integer arithmetic istifadə edən inference pipeline'ının performansı deyil. Integer-only inference memarlığın potensial deployment üstünlüyü kimi təqdim edilir.

Digər ECG modellərindən daha yaxşıdırmı?

Mənbə ədəbiyyatdakı fərqli tədqiqatlarla aşağıdakı müqayisəni verir:

Mənbə düzgün olaraq bu cədvəlin birbaşa benchmark olmadığını bildirir. Dataset, tapşırıq, preprocessing və qiymətləndirmə metrikləri fərqlidir. Xüsusilə 86,7% “Exact Match Ratio” ilə adi binary accuracy eyni metrik deyil.

One-class yanaşmasının üstünlüyü nədir?

Ürək anormallıqları çox müxtəlif ola bilər və hər mümkün abnormal morfologiyanı etiketləmək çətindir. One-class model yalnız normal ritmi öyrənir və normaldan sapmanı anomaly kimi qiymətləndirir.

Bunun üstünlüyü yeni və ya az rast gəlinən abnormal pattern'lərin nəzəri olaraq model tərəfindən “normal deyil” kimi işarələnə bilməsidir.

Çatışmazlığı isə abnormal beat'in hansı aritmiya sinfinə aid olduğunu deməməsidir. Tədqiqatın modeli:

“Bu beat normaldan fərqlidirmi?”

sualına cavab verməyə çalışır; lakin:

“Bu hansı aritmiyadır?”

sualına cavab vermir.

Tibbi baxımdan false negative niyə vacibdir?

Tədqiqatçılar anomaly screening sistemində abnormal ürək döyüntüsünü normal kimi qaçırmağın false positive yaratmaqdan daha kritik ola biləcəyini bildirirlər. Buna görə recall/sensitivity vacibdir.

INT8 modeldə mənbə recall dəyərinin %91,47-dən %93,61-ə yüksəlməsini bu baxımdan müsbət göstərir; lakin dəyərlər yalnız istifadə olunan PTB-törəməli test məlumat dəstinə aiddir və klinik sensitivity kimi ümumiləşdirilə bilməz.

Tədqiqatın dəstəklədiyi nəticələr

• 1393 parametrli kompakt CNN autoencoder ECG reconstruction-based anomaly detection üçün tətbiq edilmişdir.
• Model yalnız normal ECG beat'lərlə one-class formasında öyrədilmişdir.
• FP32 modeldə mənbə %83,12 accuracy və %88,67 F1-score bildirir.
• INT8 quantization sonrasında parametr saxlama yaddaşı təxminən 5,44 KB-dən 1,36 KB-yə enir.
• INT8 modeldə F1-score %88,36 olaraq qorunmuşdur.
• Quantization sonrasında reconstruction-error paylanmasındakı dəyişiklik səbəbilə threshold'un yenidən optimallaşdırılması performansı yaxşılaşdırmışdır.
• Tədqiqatın memarlığı parametr ölçüsü baxımından TinyML sinifli tətbiqlər üçün olduqca kiçikdir.

Tədqiqatın dəstəkləmədiyi və ya sınaqdan keçirmədiyi nəticələr

• Model real mikrokontroller üzərində sınaqdan keçirilməmişdir.
• Real MCU inference latency ölçülməmişdir.
• Real cihaz güc və ya enerji sərfi ölçülməmişdir.
• 1,36 KB dəyəri ümumi sistem RAM və ya Flash ehtiyacı deyil.
• Model müəyyən aritmiya növlərini diaqnoz etmir.
• Real xəstə yanında prospektiv klinik doğrulama aparılmamışdır.
• Modelin fərqli demoqrafiya, xəstəxana, ECG cihazı və sampling şərtlərində eyni performansı verəcəyi göstərilməmişdir.
• INT8 qiymətləndirməsi real integer-only MCU inference benchmark'ı deyil.
• Ədəbiyyat Cədvəl 1 fərqli dataset və tapşırıqlardan ibarət olduğuna görə birbaşa state-of-the-art üstünlük sübut etmir.

Tədqiqatın Metodu və Nəticələri

Məlumat və preprocessing

CNN-AE parametrləri

Mənbədaxili batch/MSE notasiyası

Bölmə 2.4 model training üçün batch size dəyərini 256 olaraq verir. Lakin Tənlik (4)-ün dərhal altında:

“M denotes the number of training samples = 128”

ifadəsi yer alır.

Mənbə bunun 128 nümunəlik başqa mini-batch, loss hesablama alt çoxluğu və ya redaksiya qalığı olub-olmadığını izah etmir. Buna görə Verianla 128 ilə 256 arasındakı fərqi səssizcə düzəltmir.

FP32–INT8 müqayisəsi

Əsas keyfiyyət nəzarəti nəticələri

Şəkil nömrələndirmə qeydi

Mənbə Bölmə 3.1-də ROC curve üçün “Figure 6” ifadəsini istifadə edir; lakin Şəkil 6 INT8 confusion matrix'dir və FP32 ROC curve əslində Şəkil 7-dir. Bölmə 3.2-də isə INT8 ROC üçün Şəkil 7-yə istinad edilir; FP32–INT8 ROC müqayisəsi Şəkil 8-də yerləşir. Bu redaksiya figure-reference qarışıqlığı elmi nəticəni dəyişməsə də mənbədə mövcuddur.

Ən mühüm mühəndislik nəticəsi

Tədqiqatın əsas gücü ən yüksək anomaly-detection accuracy əldə etmək deyil. Mənbədə daha yüksək dəqiqlik bildirən başqa modellər də vardır. Buradakı mühəndislik nəticəsi yalnız 1393 parametrli autoencoder'ın parametr yaddaşının INT8 ilə təxminən 1,36 KB səviyyəsinə endirilə bilməsi və F1-score'un mənbə eksperimentində təxminən %88 səviyyəsində qoruna bilməsidir.

Buna görə tədqiqat “ən yaxşı ECG diaqnostika modeli” kimi deyil, model ölçüsü–anomaliya aşkarlama performansı–edge tətbiq oluna bilməsi arasındakı mühəndislik kompromisi kimi qiymətləndirilməlidir.

Mənbə və Metod Qeydi

Tam orijinal tədqiqat adı: Memory-Efficient CNN Autoencoder for Real-Time ECG Anomaly Detection on TinyML-Enabled Edge Devices

Müəlliflər və sıraları: Krishnaprasath Suryanarayanan; Ramanamurthy Gajula.

Məsul müəllif: Ramanamurthy Gajula.

Bərabər töhfə/bərabər birinci müəllif: Mənbədə göstərilməmişdir.

Qurum: Department of Electronics and Communication Engineering, Alliance School of Applied Engineering, Alliance University, Bangalore 562106, India.

Jurnal: Future Internet

Nəşriyyat: MDPI, Basel, Switzerland

Cild / sayı / məqalə: 18 / 6 / 286

Qəbul üçün daxilolma tarixi: 11 Aprel 2026

Reviziya tarixi: 14 May 2026

Qəbul tarixi: 15 May 2026

Nəşr tarixi: 27 May 2026

DOI: 10.3390/fi18060286

Rəsmi nəşr keçidi:https://doi.org/10.3390/fi18060286

Mənbə növü: Tədqiqat məqaləsi; ECG anomaly detection, one-class CNN autoencoder və proqram təminatı əsaslı INT8 quantization qiymətləndirilməsi.

Rəy statusu: Rəyli jurnalda dərc olunmuş tədqiqatdır.

Lisenziya: Creative Commons Attribution (CC BY).

Maliyyələşdirmə: Tədqiqat xarici maliyyələşdirmə almamışdır.

Məlumat əlçatanlığı: İstifadə olunan ECG məlumatları açıq ECG Heartbeat Categorization Dataset-dən götürülmüşdür; mənbə bu məlumat dəstinin PTB Diagnostic ECG Database-dən törədildiyini bildirir. Tədqiqatda yeni məlumat dəsti yaradılmamışdır.

Müəllif töhfələri: Mənbə bəyanına görə konseptuallaşdırma Krishnaprasath Suryanarayanan və Ramanamurthy Gajula; metodologiya, proqram təminatı, doğrulama, formal analiz, araşdırma, resurslar və ilkin layihə Krishnaprasath Suryanarayanan; vizuallaşdırma iki müəllif; nəzarət Ramanamurthy Gajula tərəfindən həyata keçirilmişdir.

Maraqlar toqquşması: Müəlliflər maraqlar toqquşması olmadığını bəyan etmişdir.

Avadanlıq doğrulaması: Aparılmamışdır. Mənbə Bölmə 2.8-də FP32 inference, INT8 approximation, threshold optimization və metric evaluation əməliyyatlarının MATLAB əsaslı CPU mühitində tamamilə proqram təminatı ilə həyata keçirildiyini və microcontroller/accelerator hardware tələb olunmadığını açıq şəkildə bildirir. Buna görə tədqiqat real TinyML cihaz benchmark'ı deyil.

Yaddaş qiymətləndirilməsi: 5,44 KB və 1,36 KB dəyərləri 1393 model parametrinin müvafiq olaraq 4 byte və 1 byte kimi saxlanmasına əsaslanan nəzəri parameter-storage hesabıdır. Real cihazın ümumi Flash/RAM ehtiyacını təmsil etmir.

Mənbədaxili uyğunsuzluq 1 — confusion matrix sinif etiketləri: Məlumat dəsti təsvirində 4046 normal və 10.506 abnormal ECG beat olduğu yazılır. FP32 və INT8 confusion matrix'lərində 4046 nümunə ehtiva edən sətir “Abnormal”, 10.506 nümunə ehtiva edən sətir “Normal” kimi etiketlənmişdir. İki şəklin eyni qaydada tərs etiketlənmiş olması sistematik sinif-label problemi olduğunu düşündürür.

Mənbədaxili uyğunsuzluq 2 — FP32 precision: Confusion matrix sinifləri məlumat dəstindəki saylara görə düzəldilərək yenidən hesablandıqda FP32 precision təxminən %86,03'dür. Mənbə %85,88 bildirir. Accuracy, recall və F1 matrislə uyğundur.

Mənbədaxili uyğunsuzluq 3 — batch/MSE nümunə sayı: Bölmə 2.4 training batch size dəyərini 256 olaraq verdiyi halda Tənlik (4)-ün altında M-in training sample sayı kimi 128 olduğu yazılır. Aradakı fərq mənbədə izah edilməmişdir.

Mənbədaxili uyğunsuzluq 4 — şəkil istinadları: Bölmə 3.1 FP32 ROC curve üçün Şəkil 6-ya, Bölmə 3.2 INT8 ROC üçün Şəkil 7-yə yönləndirir. Əslində Şəkil 6 INT8 confusion matrix, Şəkil 7 FP32 ROC, Şəkil 8 isə FP32–INT8 ROC müqayisəsidir.

Performans sərhədi: Mənbənin “real-time” və “low-power” qiymətləndirmələri modelin kiçikliyi və potensial TinyML deployment qabiliyyətinə əsaslanır. Tədqiqat real cihazda measured latency, watt/mW güc sərfi və ya energy/inference ölçümü təqdim etmir.

Klinik sərhəd: Model binary anomaly screening həyata keçirir və müəyyən arrhythmia növünü təsnif etmir. İstifadə olunan nəticələr retrospektiv məlumat dəsti/model qiymətləndirilməsidir; real xəstə yanında prospektiv diaqnostik performans tədqiqatı deyil.

Bu Verianla izahındakı elmi metod, sayısal nəticələr, confusion matrix keyfiyyət nəzarəti, model quruluşu, quantization mexanizmi və məhdudiyyətlər araşdırılan tədqiqata əsaslanır. Xarici doğrulama yalnız biblioqrafik nəşr kimliyinin təsdiqi məqsədilə istifadə edilmiş; mənbəyə xaricdən yeni klinik performans dəyəri və ya ECG diaqnostika nəticəsi əlavə edilməmişdir.