Бул изилдөө электрокардиография (ECG) сигналдарындагы нормадан тышкаркы жүрөк согууларын чоң серверге маалыматты үзгүлтүксүз жөнөтпөстөн, ресурстары чектелген edge же TinyML класстагы түзмөктөрдө аныктай ала тургандай чакан жасалма интеллект моделин түзүүнү көздөйт. Изилдөөчүлөр бул максатта нормалдуу ECG согуулары менен гана үйрөтүлгөн бир өлчөмдүү convolutional autoencoder иштеп чыгып, модель нормалдуу жүрөк согуусун канчалык жакшы кайра түзө аларын anomaly score катары колдонушкан. Нормадан айырмаланган ECG морфологиялары жогорку reconstruction error жаратканда, ката алдын ала белгиленген чектен жогору болсо үлгү аномалдуу деп классификацияланат.

Колдонулган ECG Heartbeat Categorization маалымат топтому PTB Diagnostic ECG Database'ден алынган жана булакта жалпы 14.552 жүрөк согуусу бар экени айтылат: 4046 normal жана 10.506 abnormal ECG beat. Ар бир жүрөк согуусу R-чокусунун айланасына тегизделген 187 убакыт үлгүсү менен көрсөтүлөт. CNN autoencoder нормалдуу үлгүлөр менен гана one-class түрүндө үйрөтүлгөн; abnormal согуулар окутууда колдонулбай, тест үчүн сакталган.

Модель болгону 1393 параметрге ээ. Булактын эсебине ылайык параметрлерди FP32 түрүндө сактоо болжол менен 5,44 KB, INT8’ге quantize кылуу болсо болжол менен 1,36 KB талап кылат. Ошентип параметр сактоо эс тутуму болжол менен %75 азаят. Бирок бул маани жалпы TinyML колдонмосунун эс тутуму эмес; активдештирүүлөр, иш buffer'лары, программалык код жана runtime overhead бул эсепке киргизилген эмес.

FP32 модель үчүн изилдөөдө %83,12 accuracy, %85,88 precision, %91,47 recall жана %88,67 F1-score билдирилген. INT8 моделде threshold кайра жөндөлгөндөн кийин accuracy %82,19, precision %83,66, recall %93,61 жана F1-score %88,36 деп көрсөтүлгөн. Демек параметр эс тутуму төрттөн бирге түшкөнү менен F1-score'догу билдирилген төмөндөө болгону 0,31 пайыздык пункт.

Булактын confusion matrix'теринде маанилүү этикеттөө көйгөйү бар. Маалымат топтому текстте 4046 normal жана 10.506 abnormal beat деп түшүндүрүлсө, FP32 жана INT8 confusion matrix'теринде 4046 үлгү камтыган сап “Abnormal”, 10.506 үлгү камтыган сап “Normal” деп белгиленген. Класс аталыштары маалымат топтомунун түшүндүрмөсүнө ылайык тескери чечмеленгенде, билдирилген метрикалардын көбүн матрицалардан кайра чыгарууга болот. FP32 precision үчүн матрицадан болжол менен %86,03 алынат, ал эми булак %85,88 деп билдирет.

Изилдөөнүн TinyML жагынан эң маанилүү чектөөсү — реалдуу микроконтроллер deployment'ы жүргүзүлгөн эмес. INT8 quantization, threshold жөндөө жана inference баалоо MATLAB/CPU чөйрөсүндө программалык түрдө аткарылган. Ошондуктан изилдөө моделдин аз параметр эс тутумуна жана quantization'дан кийин сакталып калган anomaly-detection өндүрүмдүүлүгүнө далил берет; белгилүү MCUда реалдуу latency, энергия сарптоосу же end-to-end саламаттык сактоо системасынын өндүрүмдүүлүгүн көрсөтпөйт.

Түркия жагынан чечмелөө: Бул изилдөө Түркиядагы клиникалык ECG жазуулары же бейтап популяциясы боюнча жүргүзүлгөн эмес. Ыкманы көчмө саламаттык мониторинги жана үйдө кам көрүү түзмөктөрүн долбоорлоо жагынан Түркияда да техникалык баалоого болот; бирок реалдуу колдонууга чейин жергиликтүү бейтап топтору, ар башка ECG түзмөктөрү, ызы-чуу шарттары жана ар түрдүү кардиологиялык патологиялар менен көз карандысыз клиникалык текшерүү керек. Мындан тышкары изилдөөдөгү система “normal / abnormal” айырмасын гана чыгарат; аритмиянын түрүн диагноз кылбайт. Ошондуктан жыйынтыктар клиникалык диагноз түзмөгүнүн өндүрүмдүүлүгү катары чечмеленбеши керек.

Изилдөөнүн негизги көйгөйү эмне?

Үзгүлтүксүз ECG мониторинги нормалдуу жүрөк ритминен четтөөлөрдү эрте байкоодо маанилүү болушу мүмкүн. Бирок ECG маалыматын дайыма борбордук серверге жөнөтүү байланыш жүгүн, кечигүүнү, энергия сарптоосун жана купуялык боюнча кемчиликтерди жаратат. Ошол эле учурда чоң CNN, LSTM же Transformer моделдерин аз кубаттуу микроконтроллерлерде иштетүү эс тутум жана эсептөө чектөөлөрүнөн улам кыйын.

Изилдөөнүн ыкмасы бул эки көйгөйдү бирге чечет: мүмкүн болушунча кичинекей autoencoder түзүү жана андан кийин модель салмактарын 32 bit floating-point көрсөтүүдөн 8 bit integer көрсөтүүгө түшүрүп параметр эс тутумун азайтуу.

Система кантип иштейт?

Маалымат топтому кантип даярдалган?

Булак ECG сигналдарын Kaggle ECG Heartbeat Categorization маалымат топтомунан алат. Бул маалымат топтому PTB Diagnostic ECG Database'ден алынганы көрсөтүлгөн.

Ар бир үлгү бир heartbeat cycle жана:

• R-чокусунун айланасында борборлоштурулган,
• 187 time-domain үлгүсүн камтыйт,
• normal же abnormal болуп бөлүнгөн.

Булактагы жалпы маалымат:

Autoencoder нормалдуу ECG beat'тер менен гана үйрөтүлөт. Ошондуктан модель белгилүү аритмия класстарын үйрөнүүгө эмес, “нормалдуу жүрөк согуусу кандай көрүнөт?” деген суроого жооп бере турган representation түзүүгө аракет кылат.

Эмне үчүн ар бир ECG beat өзүнчө нормалдаштырылат?

Булак амплитуда айырмачылыктарынын таасирин азайтуу үчүн ар бир үлгүнү өз орточосу жана стандарттык четтөөсү менен нормалдаштырат:

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

Бул иштетүүнүн натыйжасында ар бир beat болжол менен нөл орточо жана бирдик варианс масштабына келтирилет.

Бул жерде маанилүү чечмелөө чеги бар: per-sample normalization модель үчүн ECG морфологиясын кароону жеңилдетиши мүмкүн, бирок абсолюттук амплитуда маалыматынын бир бөлүгүн да нормалдаштырат. Изилдөө бул preprocessing тандоосунун ар башка клиникалык сценарийлерге таасирин өзүнчө салыштырбайт.

CNN Autoencoder түзүлүшү канчалык кичинекей?

Модель 187×1×1 өлчөмүндөгү ECG киргизүүсүн encoder–decoder түзүлүшү менен иштетет.

Булак Сүрөт 2 жана ыкма бөлүмүнө ылайык:

• encoder тарабында 8 фильтрлүү 3×1 convolution,
• ReLU активдештирүүсү,
• 16 бирдиктүү bottleneck/dense катмары,
• decoder тарабында dense + reshape,
• 3×1 transposed convolution

колдонулат.

Жалпы үйрөтүлүүчү параметр саны болгону:

1393

деп берилген.

Модель кантип үйрөтүлгөн?

Булак кадимки CPUда training болжол менен 3–4 мүнөт созулганын билдирет. Бирок колдонулган процессор модели жана башка benchmark шарттары берилбегендиктен бул убакытты башка жабдууларга жалпылоого болбойт.

Reconstruction error кантип эсептелет?

Autoencoder кайра түзгөн beat:

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

деп аныкталат.

Ар бир beatтин reconstruction error мааниси:

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

менен эсептелет. Бул жерде \(H=187\).

Модель нормалдуу ECG формаларын гана көргөндүктөн, изилдөөнүн негизги божомолу — normal beat'терди аз ката менен, башка морфологиядагы abnormal beat'терди жогорку reconstruction error менен кайра түзөт.

Anomaly чечими кантип берилет?

Булак FP32 модель үчүн туруктуу threshold маанисин:

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

деп берет.

Классификация:

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

түрүндө.

Threshold мааниси F1-score'ду эң жогорку кылган талапкерди тандоо менен аныкталган. Бул ыкма anomaly score'дун өзүн өзгөртпөйт; normal/anormal чечим чегин гана аныктайт.

FP32’ден INT8’ге өтүү кантип жасалат?

Quantization операциясы окутуу аяктагандан кийин колдонулат. Булак ар бир катмардагы максималдуу абсолюттук салмакты колдонуп масштаб факторун эсептейт:

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

Андан соң салмак:

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

аркылуу −127 менен +127 ортосундагы INT8 көрсөтүүгө айландырылат.

Булакта quantization'дан кийин reconstruction error бөлүштүрүлүшү бир аз өзгөргөнү ачык көрүнөт. Ошондуктан FP32 threshold'ун өзгөртпөстөн INT8 моделге колдонгондун ордуна өзүнчө threshold оптималдаштырылган:

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

Сүрөт 6 аталышында INT8 үчүн тандалган “best-th” болжол менен 0,0005052 деп көрсөтүлгөн.

Эмне үчүн threshold кайра жөндөлөт?

INT8 quantization салмактарды азыраак бит менен көрсөтөт, ошондуктан reconstructed сигналда майда сандык өзгөрүүлөрдү жаратышы мүмкүн. Бул өзгөрүүлөр anomaly detection колдонгон reconstruction-error бөлүштүрүлүшүн жылдырышы мүмкүн.

Булак FP32 threshold'у INT8’ге түз колдонулганда false-positive саны көбөйгөнүн; INT8’ге арналган threshold оптималдаштыруу бул таасирди азайтканын билдирет.

Бул жыйынтык модель салмактарын жөн гана кичирейтүү жетишсиз экенин; anomaly threshold'ун quantization'дан кийин кайра калибрлөө маанилүү экенин көрсөтөт.

Параметр эс тутуму чындап канчага азаят?

Булактын memory эсеби:

\[ Memory=N_p\times b \]

түрүндө.

1393 параметр × 4 byte болжол менен 5,44 KiB; 1393 параметр × 1 byte болжол менен 1,36 KiB болот. Демек параметр эс тутуму так төрттөн бирге түшөт.

Маанилүү техникалык айырма: Бул эсеп модель салмактарын гана камтыйт. Реалдуу TinyML колдонмосунда activation tensor'лор, input/output buffer'лар, quantization scale маанилери, firmware, inference engine жана stack/heap да эс тутум колдонот. Изилдөө алардын жалпы көлөмүн өлчөбөйт.

FP32 жыйынтыктары кандай?

Сүрөт 7’де FP32 ROC ийри сызыгынын AUC мааниси 0,8327 деп ачык көрсөтүлгөн.

INT8 жыйынтыктары кандай?

INT8 модель accuracy жана precision боюнча бир аз төмөндөсө, recall жогорулаган. Ошондуктан quantization таасирин accuracy менен гана баалоо жетишсиз.

Confusion matrix'терде кандай көйгөй бар?

Булактын маалымат топтому аныктамасы төмөнкү класс бөлүштүрүлүшүн берет:

4046 normal + 10.506 abnormal = 14.552 beat.

Бирок FP32 Сүрөт 4’тө көрүнгөн матрица мындай:

Жогорку саптын суммасы:

\[ 2486+1560=4046 \]

төмөнкү саптын суммасы:

\[ 896+9610=10506 \]

болот. Булар маалымат топтомунда тиешелүүлүгүнө жараша normal жана abnormal сандары. Демек confusion matrix'тин класс аттары маалымат топтому түшүндүрмөсүнө ылайык тескери көрүнөт.

Ошол эле үлгү INT8 Сүрөт 6’да да кайталанат:

Бул жерде да:

\[ 2125+1921=4046 \]

жана:

\[ 671+9835=10506 \]

болот.

Ошондуктан эң шайкеш чечмелөө — confusion matrix окторундагы Normal/Abnormal аттары бири-биринин ордуна жазылган.

Матрицалардан метрикаларды кайра чыгарууга болобу?

FP32 matrix маалымат топтомундагы чыныгы класс сандарына ылайык кайра чечмеленгенде abnormal detection үчүн:

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

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

\[ F1\approx88,67\% \]

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

алынат.

Accuracy, recall жана F1 булак менен шайкеш; бирок булак precision маанисин %85,88 деп берет. Матрицадан болжол менен %86,03 чыгат. Айырма болжол менен 0,15 пайыздык пункт.

INT8 confusion matrix'те ошол эле кайра чечмелөө:

\[ Precision\approx83,66\% \]

\[ Recall\approx93,61\% \]

\[ F1\approx88,36\% \]

\[ Accuracy\approx82,19\% \]

жыйынтыктарын берет жана алар булакта билдирилген маанилер менен шайкеш.

QRS морфологиясы чындап сакталабы?

Булак FP32 жана INT8 reconstructed ECG сүрөттөрү менен reconstruction-error бөлүштүрүлүштөрү бири-бирине жакын экенин жана айрыкча QRS комплексинин негизги түзүлүшү сакталганын чечмелейт. Quantization'дан кийин айрым жогорку энергиялуу аймактар бир аз жумшагыраак көрүнөрү айтылат.

Бирок бул жерден “клиникалык маанилүү бардык ECG өзгөчөлүктөрү жоготуусуз сакталган” деген күчтүүрөөк жыйынтык чыгарууга болбойт. Изилдөө кардиологдор жүргүзгөн морфологиялык сокур баалоону, клиникалык equivalence тестин же көп борборлуу диагностикалык текшерүүнү бербейт.

Реалдуу TinyML жабдуусунда иштетилдиби?

Жок. Изилдөө муну ачык чектөө катары көрсөтөт. Quantization pipeline MATLAB R2025aдагы dlquantizer ыкмасы менен жана CPUда жүргүзүлгөн.

Булак төмөнкү баскычтар программалык түрдө аткарылганын түшүндүрөт:

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

Микроконтроллер же accelerator hardware колдонулган эмес.

Демек “TinyML-enabled edge device” бул изилдөөдө түз сыналган түзмөк эмес, моделдин максаттуу deployment классы.

INT8 чындап integer-only inference'пы?

Булак INT8 келечекте integer-only inference үчүн ылайыктуу экенин талкуулайт. Бирок эксперименттик pipeline'да quantized маанилер зарыл болгондо FP32 approximation'га dequantize кылынары айтылат.

Ошондуктан изилдөө өлчөгөн нерсе реалдуу MCUда толугу менен integer arithmetic колдонгон inference pipeline'дын өндүрүмдүүлүгү эмес. Integer-only inference архитектуранын потенциалдуу deployment артыкчылыгы катары сунушталат.

Башка ECG моделдеринен жакшыбы?

Булак адабияттагы ар башка изилдөөлөр менен төмөнкү салыштырууну берет:

Булак туура түрдө бул таблица түз benchmark эмес экенин белгилейт. Dataset, тапшырма, preprocessing жана баалоо метрикалары ар башка. Айрыкча 86,7% “Exact Match Ratio” менен кадимки binary accuracy бир метрика эмес.

One-class ыкмасынын артыкчылыгы эмне?

Жүрөк аномалиялары өтө ар түрдүү болушу мүмкүн жана бардык мүмкүн болгон abnormal морфологияларды этикеттөө кыйын. One-class модель нормалдуу ритмди гана үйрөнүп, нормадан четтөөнү anomaly катары баалайт.

Мунун артыкчылыгы жаңы же сейрек кездешкен abnormal pattern'дер теориялык жактан модель тарабынан “normal эмес” деп белгилениши мүмкүн.

Кемчилиги болсо abnormal beat кайсы аритмия классына тиешелүү экенин айтпайт. Изилдөөнүн модели:

“Бул beat normal'дан айырмаланабы?”

деген суроого жооп берүүгө аракет кылат; бирок:

“Бул кайсы аритмия?”

деген суроого жооп бербейт.

Медициналык жактан false negative эмне үчүн маанилүү?

Изилдөөчүлөр anomaly screening системасында abnormal жүрөк согуусун normal деп өткөрүп жиберүү false positive чыгаргандан олуттуураак болушу мүмкүн экенин белгилешет. Ошондуктан recall/sensitivity маанилүү.

INT8 моделде булак recall мааниси %91,47'ден %93,61'ге өскөнүн бул жагынан оң деп көрсөтөт; бирок бул маанилер колдонулган PTB-түрүндөгү тест маалымат топтомуна гана тиешелүү жана клиникалык sensitivity катары жалпыланбайт.

Изилдөө колдогон жыйынтыктар

• 1393 параметрлүү компакт CNN autoencoder ECG reconstruction-based anomaly detection үчүн колдонулган.
• Модель normal ECG beat'тер менен гана one-class түрүндө үйрөтүлгөн.
• FP32 моделде булак %83,12 accuracy жана %88,67 F1-score билдирет.
• INT8 quantization'дан кийин параметр сактоо эс тутуму болжол менен 5,44 KBден 1,36 KBге түшөт.
• INT8 моделде F1-score %88,36 деңгээлинде сакталган.
• Quantization'дан кийинки reconstruction-error бөлүштүрүлүшүнүн өзгөрүшүнөн улам threshold'ду кайра оптималдаштыруу өндүрүмдүүлүктү жакшырткан.
• Изилдөөнүн архитектурасы параметр көлөмү жагынан TinyML класстагы колдонмолор үчүн өтө чакан.

Изилдөө колдобогон же сынабаган жыйынтыктар

• Модель реалдуу микроконтроллерде сыналган эмес.
• Реалдуу MCU inference latency өлчөнгөн эмес.
• Реалдуу түзмөктүн кубат же энергия сарптоосу өлчөнгөн эмес.
• 1,36 KB мааниси жалпы системанын RAM же Flash керектөөсү эмес.
• Модель белгилүү аритмия түрлөрүн диагноз кылбайт.
• Реалдуу бейтап жанында проспективдүү клиникалык текшерүү жүргүзүлгөн эмес.
• Модель ар башка демография, оорукана, ECG түзмөгү жана sampling шарттарында ошол эле өндүрүмдүүлүктү берери көрсөтүлгөн эмес.
• INT8 баалоо реалдуу integer-only MCU inference benchmark эмес.
• Адабият Таблица 1 ар башка dataset жана тапшырмалардан тургандыктан түз state-of-the-art артыкчылыгын далилдебейт.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Маалымат жана preprocessing

CNN-AE параметрлери

Булак ичиндеги batch/MSE нотациясы

Бөлүм 2.4 модель training үчүн batch size маанисин 256 деп берет. Бирок Теңдеме (4) дароо астында:

“M denotes the number of training samples = 128”

деген сөз турат.

Булак мунун 128 үлгүлүү башка mini-batch, loss эсептөө кичи топтому же редакциялык калдык экенин түшүндүрбөйт. Ошондуктан Verianla 128 менен 256 ортосундагы айырманы үнсүз оңдобойт.

FP32–INT8 салыштыруусу

Негизги сапат текшерүү жыйынтыктары

Сүрөт номерлөө эскертүүсү

Булак Бөлүм 3.1’де ROC curve үчүн “Figure 6” деген сөздү колдонот; бирок Сүрөт 6 INT8 confusion matrix жана FP32 ROC curve чындыгында Сүрөт 7. Бөлүм 3.2’де INT8 ROC үчүн Сүрөт 7’ге шилтеме берилет; FP32–INT8 ROC салыштыруусу Сүрөт 8’де. Бул редакциялык figure-reference чаташуусу илимий жыйынтыкты өзгөртпөсө да булакта бар.

Эң маанилүү инженердик жыйынтык

Изилдөөнүн негизги күчү эң жогорку anomaly-detection accuracy алуу эмес. Булакта андан жогорку тактык билдирген башка моделдер да бар. Бул жердеги инженердик жыйынтык — болгону 1393 параметрлүү autoencoder'дын параметр эс тутумун INT8 аркылуу болжол менен 1,36 KB деңгээлине түшүрүүгө жана F1-score'ду булак экспериментинде болжол менен %88 деңгээлинде сактоого болору.

Ошондуктан изилдөө “эң мыкты ECG диагноз модели” катары эмес, модель көлөмү–аномалияны аныктоо өндүрүмдүүлүгү–edge колдонууга жарамдуулугу ортосундагы инженердик компромисс катары бааланышы керек.

Булак жана Ыкма Жөнүндө Эскертүү

Толук оригинал изилдөө аталышы: Memory-Efficient CNN Autoencoder for Real-Time ECG Anomaly Detection on TinyML-Enabled Edge Devices

Авторлор жана ирети: Krishnaprasath Suryanarayanan; Ramanamurthy Gajula.

Жооптуу автор: Ramanamurthy Gajula.

Тең салым/тең биринчи автор: Булакта көрсөтүлгөн эмес.

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

Журнал: Future Internet

Басмакана: MDPI, Basel, Switzerland

Том / саны / макала: 18 / 6 / 286

Алынган күнү: 11 Апрель 2026

Кайра каралган күнү: 14 Май 2026

Кабыл алынган күнү: 15 Май 2026

Жарыяланган күнү: 27 Май 2026

DOI: 10.3390/fi18060286

Расмий жарыя шилтемеси:https://doi.org/10.3390/fi18060286

Булактын түрү: Изилдөө макаласы; ECG anomaly detection, one-class CNN autoencoder жана программалык негиздеги INT8 quantization баалоосу.

Рецензия абалы: Рецензияланган журналда жарыяланган изилдөө.

Лицензия: Creative Commons Attribution (CC BY).

Каржылоо: Изилдөө тышкы каржылоо алган эмес.

Маалымат жеткиликтүүлүгү: Колдонулган ECG маалыматтары ачык ECG Heartbeat Categorization Dataset'тен алынган; булак бул маалымат топтому PTB Diagnostic ECG Database'ден чыгарылганын билдирет. Изилдөөдө жаңы маалымат топтому түзүлгөн эмес.

Автор салымдары: Булак билдирүүсүнө ылайык концептуалдаштыруу Krishnaprasath Suryanarayanan жана Ramanamurthy Gajula; методология, программалык камсыздоо, текшерүү, формалдык талдоо, изилдөө, ресурстар жана алгачкы долбоор Krishnaprasath Suryanarayanan; визуалдаштыруу эки автор; көзөмөл Ramanamurthy Gajula тарабынан жүргүзүлгөн.

Кызыкчылыктар кагылышы: Авторлор кызыкчылыктар кагылышы жок экенин билдирген.

Жабдык текшерүүсү: Жүргүзүлгөн эмес. Булак Бөлүм 2.8’де FP32 inference, INT8 approximation, threshold optimization жана metric evaluation операциялары MATLAB негизиндеги CPU чөйрөсүндө толугу менен программалык түрдө жүргүзүлгөнүн жана microcontroller/accelerator hardware талап кылынбаганын ачык белгилейт. Демек изилдөө реалдуу TinyML түзмөк benchmark'ы эмес.

Эс тутум баалоосу: 5,44 KB жана 1,36 KB маанилери 1393 модель параметрин тиешелүүлүгүнө жараша 4 byte жана 1 byte кылып сактоого негизделген теориялык parameter-storage эсеби. Реалдуу түзмөктүн жалпы Flash/RAM керектөөсүн көрсөтпөйт.

Булак ичиндеги шайкешсиздик 1 — confusion matrix класс этикеттери: Маалымат топтому түшүндүрмөсүндө 4046 normal жана 10.506 abnormal ECG beat бар деп жазылган. FP32 жана INT8 confusion matrix'теринде 4046 үлгү камтыган сап “Abnormal”, 10.506 үлгү камтыган сап “Normal” деп белгиленген. Эки сүрөттө тең ушундай тескери этикеттөө системалуу класс-label көйгөйү болушу мүмкүн экенин көрсөтөт.

Булак ичиндеги шайкешсиздик 2 — FP32 precision: Confusion matrix класстары маалымат топтомундагы сандарга ылайык оңдолуп кайра эсептелгенде FP32 precision болжол менен %86,03. Булак %85,88 деп билдирет. Accuracy, recall жана F1 матрица менен шайкеш.

Булак ичиндеги шайкешсиздик 3 — batch/MSE үлгү саны: Бөлүм 2.4 training batch size маанисин 256 деп берсе, Теңдеме (4) астында M training sample саны катары 128 деп жазылган. Айырма булакта түшүндүрүлгөн эмес.

Булак ичиндеги шайкешсиздик 4 — сүрөт шилтемелери: Бөлүм 3.1 FP32 ROC curve үчүн Сүрөт 6’га, Бөлүм 3.2 INT8 ROC үчүн Сүрөт 7’ге багыттайт. Чындыгында Сүрөт 6 INT8 confusion matrix, Сүрөт 7 FP32 ROC, Сүрөт 8 болсо FP32–INT8 ROC салыштыруусу.

Өндүрүмдүүлүк чеги: Булактын “real-time” жана “low-power” баалоолору моделдин чакандыгына жана потенциалдуу TinyML deployment мүмкүнчүлүгүнө негизделет. Изилдөө реалдуу түзмөктө measured latency, watt/mW кубат сарптоосу же energy/inference өлчөөсүн бербейт.

Клиникалык чек: Модель binary anomaly screening жүргүзөт жана белгилүү arrhythmia түрүн классификациялабайт. Колдонулган жыйынтыктар ретроспективдүү маалымат топтому/модель баалоосу; реалдуу бейтап жанындагы проспективдүү диагностикалык өндүрүмдүүлүк изилдөөсү эмес.

Бул Verianla түшүндүрмөсүндөгү илимий ыкма, сандык жыйынтыктар, confusion matrix сапат текшерүүсү, модель түзүлүшү, quantization механизми жана чектөөлөр каралган изилдөөгө негизделген. Тышкы текшерүү библиографиялык жарыя идентификациясын ырастоо үчүн гана колдонулган; булакка тыштан жаңы клиникалык өндүрүмдүүлүк мааниси же ECG диагноз жыйынтыгы кошулган эмес.