Ushbu tadqiqot elektrokardiografiya (ECG) signallaridagi meʼyordan tashqari yurak urishlarini katta serverga uzluksiz maʼlumot yubormasdan, resurslari cheklangan edge yoki TinyML toifasidagi qurilmalarda aniqlay oladigan darajada kichik sunʼiy intellekt modelini yaratishni maqsad qiladi. Shu maqsadda tadqiqotchilar faqat normal ECG urishlari bilan oʻqitiladigan bir oʻlchovli convolutional autoencoder ishlab chiqib, modelning normal yurak urishini qanchalik yaxshi qayta tiklay olishini anomaly score sifatida qoʻllagan. Normaldan farq qiladigan ECG morfologiyalari yuqoriroq reconstruction error hosil qilganda, xato oldindan belgilangan chegaradan yuqori boʻlsa, namuna anomaliyali deb tasniflanadi.

Qoʻllangan ECG Heartbeat Categorization maʼlumotlar toʻplami PTB Diagnostic ECG Database'dan olingan boʻlib, manbada jami 14.552 ta yurak urishi mavjudligi koʻrsatilgan: 4046 ta normal va 10.506 ta abnormal ECG beat. Har bir yurak urishi R-choʻqqisi atrofida tekislangan 187 ta vaqt namunasi bilan ifodalanadi. CNN autoencoder faqat normal namunalar bilan one-class usulida oʻqitilgan; abnormal urishlar oʻqitish vaqtida ishlatilmay, test uchun saqlangan.

Model atigi 1393 parametrga ega. Manbadagi hisobga koʻra, parametrlarni FP32 formatida saqlash taxminan 5,44 KB, INT8'ga quantize qilish esa taxminan 1,36 KB talab qiladi. Shu tariqa parametrlarni saqlash xotirasida taxminan %75 kamayish olinadi. Biroq bu qiymat TinyML ilovasining umumiy xotirasi emas; aktivatsiyalar, ishchi buffer'lar, dasturiy kod va runtime overhead bu hisobga kiritilmagan.

FP32 model uchun tadqiqotda %83,12 accuracy, %85,88 precision, %91,47 recall va %88,67 F1-score xabar qilingan. INT8 modelda threshold qayta sozlangandan soʻng accuracy %82,19, precision %83,66, recall %93,61 va F1-score %88,36 deb bildirilgan. Demak, parametr xotirasi toʻrtdan biriga tushganiga qaramay, F1-score'dagi xabar qilingan pasayish atigi 0,31 foiz punktini tashkil etadi.

Manbadagi confusion matrix'larda muhim yorliqlash muammosi mavjud. Maʼlumotlar toʻplami matnda 4046 ta normal va 10.506 ta abnormal beat sifatida tavsiflangan boʻlsa-da, FP32 va INT8 confusion matrix'larida 4046 namunani oʻz ichiga olgan qator “Abnormal”, 10.506 namunani oʻz ichiga olgan qator esa “Normal” deb belgilangan. Sinf nomlari maʼlumotlar toʻplami tavsifiga koʻra teskari talqin qilinganda, xabar qilingan metrikalarning katta qismi matritsalardan qayta hosil qilinishi mumkin. FP32 precision uchun esa matritsadan taxminan %86,03 chiqadi, manbada esa %85,88 berilgan.

Tadqiqotning TinyML nuqtai nazaridan eng muhim cheklovi haqiqiy mikrokontroller deployment'i amalga oshirilmaganidir. INT8 quantization, threshold sozlash va inference baholash MATLAB/CPU muhitida dasturiy tarzda bajarilgan. Shu sabab tadqiqot modelning past parametr xotirasi va quantization'dan keyin saqlanib qoladigan anomaly-detection unumdorligiga oid dalil beradi; muayyan MCU'da haqiqiy latency, energiya sarfi yoki uchidan-uchigacha sogʻliqni saqlash tizimi unumdorligini koʻrsatmaydi.

Turkiya nuqtai nazaridan izoh: Ushbu tadqiqot Turkiyadagi klinik ECG yozuvlari yoki bemor populyatsiyasida oʻtkazilmagan. Usul koʻchma sogʻliq monitoringi va uyda parvarish qurilmalarini loyihalash nuqtai nazaridan Turkiyada ham texnik jihatdan baholanishi mumkin; biroq haqiqiy qoʻllashdan oldin mahalliy bemor guruhlari, turli ECG qurilmalari, shovqin sharoitlari va turli yurak patologiyalari bilan mustaqil klinik tekshiruv zarur. Bundan tashqari, tadqiqotdagi tizim faqat “normal / abnormal” ajratishini bajaradi; aritmiya turini tashxis qilmaydi. Shu sabab natijalarni klinik diagnostika qurilmasi unumdorligi sifatida talqin qilmaslik kerak.

Tadqiqotning asosiy muammosi nima?

Uzluksiz ECG monitoringi normal yurak ritmidan ogʻishlarni erta aniqlashda muhim boʻlishi mumkin. Biroq ECG maʼlumotlarini uzluksiz ravishda markaziy serverga yuborish aloqa yuklamasi, kechikish, energiya sarfi va maxfiylik nuqtai nazaridan kamchilik tugʻdirishi mumkin. Boshqa tomondan, katta CNN, LSTM yoki Transformer modellarini kam quvvatli mikrokontrollerlarda ishlatish ham xotira va hisoblash cheklovlari sabab qiyin.

Tadqiqot yondashuvi ushbu ikki muammoni birgalikda koʻrib chiqadi: imkon qadar kichik autoencoder yaratish va keyin model ogʻirliklarini 32 bitli floating point'dan 8 bit integer koʻrinishga tushirib, parametr xotirasini kamaytirish.

Tizim qanday ishlaydi?

Maʼlumotlar toʻplami qanday tayyorlangan?

Manba ECG signallarini Kaggle ECG Heartbeat Categorization maʼlumotlar toʻplamidan oladi. Ushbu maʼlumotlar toʻplami PTB Diagnostic ECG Database'dan kelib chiqqani ko‘rsatilgan.

Har bir namuna bitta heartbeat cycle bo‘lib, u:

• R-choʻqqisi atrofida markazlashtirilgan,
• 187 ta time-domain namunasini oʻz ichiga oladi,
• normal yoki abnormal sifatida ajratilgan.

Manbadagi jami maʼlumot:

Autoencoder faqat normal ECG beat'lari bilan oʻqitiladi. Shu sabab model muayyan aritmiya sinflarini oʻrganishga emas, “normal yurak urishi qanday koʻrinadi?” savoliga javob beradigan representation yaratishga harakat qiladi.

Nega har bir ECG beat alohida normallashtiriladi?

Manba amplituda farqlarining taʼsirini kamaytirish uchun har bir namunani oʻzining oʻrtacha qiymati va standart ogʻishi bilan normallashtiradi:

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

Ushbu amal natijasida har bir beat taxminan nol oʻrtacha va birlik dispersiya miqyosiga keltiriladi.

Bu yerda muhim talqin chegarasi shuki: per-sample normalization modelga ECG morfologiyasini oʻrganishni osonlashtirishi mumkin, biroq mutlaq amplituda maʼlumotining bir qismini ham normallashtiradi. Tadqiqot ushbu preprocessing tanlovining turli klinik ssenariylarga taʼsirini alohida taqqoslamaydi.

CNN Autoencoder tuzilmasi qanchalik kichik?

Model 187×1×1 oʻlchamdagi ECG kirishini encoder–decoder tuzilmasi orqali qayta ishlaydi.

Manbadagi 2-rasm va usul boʻlimiga koʻra:

• encoder tomonida 8 filtrli 3×1 convolution,
• ReLU aktivatsiyasi,
• 16 birlikli bottleneck/dense qatlami,
• decoder tomonida dense + reshape,
• 3×1 transposed convolution

qoʻllanadi.

Jami oʻqitiladigan parametrlar soni atigi:

1393

deb berilgan.

Model qanday oʻqitilgan?

Manba normal CPU'da training taxminan 3–4 daqiqa davom etganini bildiradi. Biroq ishlatilgan protsessor modeli va boshqa benchmark sharoitlari berilmagani sabab bu vaqtni boshqa apparatga umumlashtirib boʻlmaydi.

Reconstruction error qanday hisoblanadi?

Autoencoder tomonidan reconstructed qilingan beat:

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

deb aniqlanadi.

Har bir beat'ning reconstruction error qiymati:

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

bilan hisoblanadi. Bu yerda \(H=187\)'dir.

Model faqat normal ECG shakllarini koʻrganligi sabab tadqiqotning asosiy farazi shuki, normal beat'larni past xato bilan, boshqa morfologiyaga ega abnormal beat'larni esa yuqoriroq reconstruction error bilan qayta tiklaydi.

Anomaly qarori qanday beriladi?

Manba FP32 model uchun qatʼiy threshold qiymatini:

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

deb beradi.

Tasniflash:

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

koʻrinishidadir.

Threshold qiymati F1-score'ni eng yuqori qiladigan nomzodni tanlash orqali belgilanadi. Bu yondashuv anomaly score'ning oʻzini oʻzgartirmaydi; faqat normal/anormal qaror chegarasini belgilaydi.

FP32'dan INT8'ga oʻtish qanday amalga oshiriladi?

Quantization jarayoni oʻqitish tugagandan soʻng qoʻllanadi. Manba har bir qatlamdagi maksimal mutlaq ogʻirlikdan foydalanib scale factor hisoblaydi:

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

Soʻng ogʻirlik:

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

bilan −127 dan +127 gacha boʻlgan INT8 koʻrinishga aylantiriladi.

Manbada quantization'dan keyin reconstruction error taqsimoti biroz oʻzgargani aniq koʻrinadi. Shu sabab FP32 threshold'ini INT8 modelda oʻzgartirmasdan ishlatish oʻrniga alohida threshold optimallashtirilgan:

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

6-rasm sarlavhasida INT8 uchun tanlangan “best-th” taxminan 0,0005052 deb koʻrsatilgan.

Nega threshold qayta sozlanadi?

INT8 quantization ogʻirliklarni kamroq bit bilan ifodalagani uchun reconstructed signalda kichik sonli oʻzgarishlar hosil qilishi mumkin. Bu oʻzgarishlar anomaly detection ishlatadigan reconstruction-error taqsimotini siljitishi mumkin.

Manba FP32 threshold'i INT8'ga toʻgʻridan-toʻgʻri qoʻllansa false-positive soni oshishini, INT8'ga xos threshold optimallashtirish esa bu taʼsirni kamaytirishini bildiradi.

Bu natija faqat model ogʻirliklarini kichraytirish yetarli emasligini; anomaly threshold'ini quantization'dan keyin qayta kalibrlash muhim ekanini koʻrsatadi.

Parametr xotirasi haqiqatan qancha kamayadi?

Manbaning memory hisobi:

\[ Memory=N_p\times b \]

koʻrinishidadir.

1393 parametr × 4 byte taxminan 5,44 KiB; 1393 parametr × 1 byte taxminan 1,36 KiB qiladi. Demak, parametr xotirasi aniq toʻrtdan biriga tushadi.

Muhim texnik farq: Bu hisob faqat model ogʻirliklarini qamrab oladi. Haqiqiy TinyML ilovasida activation tensor'lar, input/output buffer'lar, quantization scale qiymatlari, firmware, inference engine va stack/heap ham xotira isteʼmol qiladi. Tadqiqot bularning umumiy miqdorini oʻlchamaydi.

FP32 natijalari qanday?

7-rasmda FP32 ROC egri chizigʻining AUC qiymati 0,8327 deb aniq koʻrsatilgan.

INT8 natijalari qanday?

INT8 modelida accuracy va precision biroz pasaygan, recall esa oshgan. Shu sabab quantization taʼsirini faqat accuracy'ga qarab baholash yetarli emas.

Confusion matrix'larda qanday muammo bor?

Manbadagi maʼlumotlar toʻplami tavsifi quyidagi sinf taqsimotini beradi:

4046 normal + 10.506 abnormal = 14.552 beat.

Biroq FP32 4-rasmda koʻrsatilgan matritsa quyidagicha:

Yuqori qator yigʻindisi:

\[ 2486+1560=4046 \]

pastki qator yigʻindisi:

\[ 896+9610=10506 \]

boʻladi. Bular maʼlumotlar toʻplamidagi mos ravishda normal va abnormal sonlaridir. Demak, confusion matrix'dagi sinf nomlari maʼlumotlar toʻplami tavsifiga koʻra teskari koʻrinadi.

Xuddi shu andoza INT8 6-rasmda ham takrorlanadi:

Bu yerda ham:

\[ 2125+1921=4046 \]

va:

\[ 671+9835=10506 \]

boʻladi.

Shu sabab eng izchil talqin confusion matrix oʻqlaridagi Normal/Abnormal nomlari bir-birining oʻrniga yozilganidir.

Matritsalardan metrikalarni qayta hosil qilish mumkinmi?

FP32 matrix maʼlumotlar toʻplamidagi haqiqiy sinf sonlariga koʻra qayta talqin qilinganda, abnormal detection uchun:

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

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

\[ F1\approx88,67\% \]

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

olinadi.

Accuracy, recall va F1 manba bilan mos keladi; biroq manba precision qiymatini %85,88 deb beradi. Matritsa orqali taxminan %86,03 topiladi. Farq taxminan 0,15 foiz punktidir.

INT8 confusion matrix'da xuddi shu qayta talqin:

\[ Precision\approx83,66\% \]

\[ Recall\approx93,61\% \]

\[ F1\approx88,36\% \]

\[ Accuracy\approx82,19\% \]

natijalarini beradi va ular manbada xabar qilingan qiymatlarga mos keladi.

QRS morfologiyasi haqiqatan saqlanadimi?

Manba FP32 va INT8 reconstructed ECG shakllari hamda reconstruction-error taqsimotlari bir-biriga yaqin ekanini va ayniqsa QRS kompleksining asosiy tuzilmasi saqlanganini talqin qiladi. Quantization'dan keyin ayrim yuqori energiyali hududlar biroz yumshoqroq koʻringani qayd etiladi.

Biroq bu yerda “klinik jihatdan mazmunli barcha ECG xususiyatlari yoʻqotishsiz saqlangan” degan kuchliroq xulosani chiqarib boʻlmaydi. Tadqiqot kardiologlar oʻtkazgan morfologik koʻr baholash, klinik equivalence testi yoki koʻp markazli diagnostik validatsiyani taqdim etmaydi.

Haqiqiy TinyML apparatida ishlatilganmi?

Yoʻq. Tadqiqot buni ochiq cheklov sifatida koʻrsatadi. Quantization pipeline MATLAB R2025a'ning dlquantizer yondashuvi bilan va CPU'da bajarilgan.

Manba quyidagi bosqichlar dasturiy taʼminotda bajarilganini tushuntiradi:

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

Mikrokontroller yoki accelerator hardware ishlatilmagan.

Shu sabab “TinyML-enabled edge device” ushbu tadqiqotda toʻgʻridan-toʻgʻri sinovdan oʻtkazilgan qurilma emas, balki modelning maqsadli deployment sinfidir.

INT8 haqiqatan integer-only inferencemi?

Manba INT8 kelajakda integer-only inference uchun mos ekanini muhokama qiladi. Biroq tajribaviy pipeline'da quantized qiymatlar zarur boʻlganda FP32 approximation'ga dequantize qilingani ko‘rsatilgan.

Shu sabab tadqiqot oʻlchagan narsa haqiqiy MCU'da butunlay integer arithmetic ishlatadigan inference pipeline unumdorligi emas. Integer-only inference arxitekturaning potensial deployment afzalligi sifatida taqdim etiladi.

Boshqa ECG modellaridan yaxshiroqmi?

Manba adabiyotdagi turli tadqiqotlar bilan quyidagi taqqoslashni beradi:

Manba toʻgʻri ravishda bu jadval bevosita benchmark emasligini taʼkidlaydi. Dataset, vazifa, preprocessing va baholash metrikalari farq qiladi. Xususan, 86,7% “Exact Match Ratio” bilan oddiy binary accuracy bir xil metrika emas.

One-class yondashuvining afzalligi nima?

Yurak anomaliyalari juda xilma-xil boʻlishi mumkin va har bir ehtimoliy abnormal morfologiyani yorliqlash qiyin. One-class model faqat normal ritmni oʻrganadi va normaldan ogʻishni anomaly sifatida baholaydi.

Buning afzalligi yangi yoki kam uchraydigan abnormal pattern'lar nazariy jihatdan model tomonidan “normal emas” deb belgilanishi mumkinligidir.

Kamchiligi esa abnormal beat qaysi aritmiya sinfiga tegishli ekanini aytmaydi. Tadqiqot modeli:

“Bu beat normaldan farq qiladimi?”

savoliga javob berishga harakat qiladi; biroq:

“Bu qaysi aritmiya?”

savoliga javob bermaydi.

Tibbiy nuqtai nazardan false negative nega muhim?

Tadqiqotchilar anomaly screening tizimida abnormal yurak urishini normal deb oʻtkazib yuborish false positive hosil qilishdan koʻra jiddiyroq boʻlishi mumkinligini taʼkidlaydi. Shu sabab recall/sensitivity muhimdir.

INT8 modelda manbadagi recall qiymatining %91,47'dan %93,61'ga oshishi shu nuqtai nazardan ijobiy koʻrinadi; biroq qiymatlar faqat qoʻllangan PTB'dan olingan test maʼlumotlar toʻplamiga tegishli va klinik sensitivity sifatida umumlashtirib boʻlmaydi.

Tadqiqot qoʻllab-quvvatlaydigan natijalar

• 1393 parametrli ixcham CNN autoencoder ECG reconstruction-based anomaly detection uchun qoʻllangan.
• Model faqat normal ECG beat'lari bilan one-class usulida oʻqitilgan.
• FP32 modelda manba %83,12 accuracy va %88,67 F1-score xabar qiladi.
• INT8 quantization'dan keyin parametr saqlash xotirasi taxminan 5,44 KB'dan 1,36 KB'ga tushadi.
• INT8 modelda F1-score %88,36 darajasida saqlangan.
• Quantization'dan keyin reconstruction-error taqsimotidagi oʻzgarish sabab threshold'ni qayta optimallashtirish unumdorlikni yaxshilagan.
• Tadqiqot arxitekturasi parametr hajmi jihatidan TinyML sinfidagi ilovalar uchun juda kichik.

Tadqiqot qoʻllab-quvvatlamaydigan yoki sinamagan natijalar

• Model haqiqiy mikrokontrollerda sinovdan oʻtkazilmagan.
• Haqiqiy MCU inference latency oʻlchanmagan.
• Haqiqiy qurilmaning quvvat yoki energiya sarfi oʻlchanmagan.
• 1,36 KB qiymati umumiy tizim RAM yoki Flash ehtiyoji emas.
• Model muayyan aritmiya turlarini tashxis qilmaydi.
• Haqiqiy bemor yonida prospektiv klinik validatsiya oʻtkazilmagan.
• Model turli demografiya, shifoxona, ECG qurilmasi va sampling sharoitlarida xuddi shu unumdorlikni berishi koʻrsatilmagan.
• INT8 baholash haqiqiy integer-only MCU inference benchmark'i emas.
• Adabiyotdagi 1-jadval turli dataset va vazifalardan tashkil topgani sabab bevosita state-of-the-art ustunlikni isbotlamaydi.

Tadqiqot usuli va natijalari

Maʼlumotlar va preprocessing

CNN-AE parametrlari

Manba ichidagi batch/MSE notatsiyasi

2.4-boʻlim model training uchun batch size qiymatini 256 deb beradi. Biroq (4)-tenglamaning darhol ostida:

“M denotes the number of training samples = 128”

iborasi mavjud.

Manba buning 128 namunali boshqa mini-batch, loss hisoblash kichik toʻplami yoki tahririy qoldiq ekanini tushuntirmaydi. Shu sabab Verianla 128 bilan 256 oʻrtasidagi farqni jim tarzda tuzatmaydi.

FP32–INT8 taqqoslanishi

Asosiy sifat nazorati topilmalari

Rasm raqamlash izohi

Manba 3.1-boʻlimda ROC curve uchun “Figure 6” iborasini ishlatadi; biroq 6-rasm INT8 confusion matrix bo‘lib, FP32 ROC curve aslida 7-rasmdir. 3.2-boʻlimda esa INT8 ROC uchun 7-rasmga havola qilinadi; FP32–INT8 ROC taqqoslanishi 8-rasmda joylashgan. Ushbu tahririy figure-reference chalkashligi ilmiy natijani oʻzgartirmasa-da, manbada mavjud.

Eng muhim muhandislik natijasi

Tadqiqotning asosiy kuchi eng yuqori anomaly-detection accuracy'ga erishish emas. Manbada yuqoriroq aniqlik bildirgan boshqa modellar ham mavjud. Bu yerdagi muhandislik natijasi shuki, atigi 1393 parametrli autoencoder'ning parametr xotirasini INT8 yordamida taxminan 1,36 KB darajasiga tushirish va manba tajribasida F1-score'ni taxminan %88 darajasida saqlab qolish mumkin.

Shu sabab tadqiqotni “eng yaxshi ECG diagnostika modeli” sifatida emas, model hajmi–anomaliyani aniqlash unumdorligi–edge'da qoʻllash imkoniyati oʻrtasidagi muhandislik murosasi sifatida baholash kerak.

Manba va usul haqida izoh

Toʻliq original tadqiqot nomi: Memory-Efficient CNN Autoencoder for Real-Time ECG Anomaly Detection on TinyML-Enabled Edge Devices

Mualliflar va ularning tartibi: Krishnaprasath Suryanarayanan; Ramanamurthy Gajula.

Masʼul muallif: Ramanamurthy Gajula.

Teng hissa/teng birinchi muallif: Manbada koʻrsatilmagan.

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

Jurnal: Future Internet

Nashriyot: MDPI, Basel, Switzerland

Jild / son / maqola: 18 / 6 / 286

Qabul qilib olingan sana: 11 Aprel 2026

Qayta koʻrib chiqilgan sana: 14 May 2026

Qabul qilingan sana: 15 May 2026

Nashr sanasi: 27 May 2026

DOI: 10.3390/fi18060286

Rasmiy nashr havolasi:https://doi.org/10.3390/fi18060286

Manba turi: Tadqiqot maqolasi; ECG anomaly detection, one-class CNN autoencoder va dasturiy taʼminotga asoslangan INT8 quantization baholashi.

Taqriz holati: Taqrizdan oʻtgan jurnalda chop etilgan tadqiqot.

Litsenziya: Creative Commons Attribution (CC BY).

Moliyalashtirish: Tadqiqot tashqi moliyalashtirish olmagan.

Maʼlumotlardan foydalanish imkoniyati: Qoʻllangan ECG maʼlumotlari ommaga ochiq ECG Heartbeat Categorization Dataset'dan olingan; manba bu maʼlumotlar toʻplami PTB Diagnostic ECG Database'dan olinganini bildiradi. Tadqiqotda yangi maʼlumotlar toʻplami yaratilmagan.

Muallif hissalari: Manba bayonotiga koʻra konseptuallashtirish Krishnaprasath Suryanarayanan va Ramanamurthy Gajula; metodologiya, dasturiy taʼminot, tekshirish, formal tahlil, tadqiqot, resurslar va original qoralama Krishnaprasath Suryanarayanan; vizualizatsiya ikkala muallif; nazorat Ramanamurthy Gajula tomonidan amalga oshirilgan.

Manfaatlar toʻqnashuvi: Mualliflar manfaatlar toʻqnashuvi yoʻqligini bildiradi.

Apparat tekshiruvi: Amalga oshirilmagan. Manba 2.8-boʻlimda FP32 inference, INT8 approximation, threshold optimization va metric evaluation jarayonlari MATLAB asosidagi CPU muhitida toʻliq dasturiy tarzda bajarilganini va microcontroller/accelerator hardware talab qilinmaganini aniq bildiradi. Shu sabab tadqiqot haqiqiy TinyML qurilmasi benchmark'i emas.

Xotira baholashi: 5,44 KB va 1,36 KB qiymatlari 1393 ta model parametrini mos ravishda 4 byte va 1 byte tarzida saqlashga asoslangan nazariy parameter-storage hisobidir. U haqiqiy qurilmaning umumiy Flash/RAM ehtiyojini ifodalamaydi.

Manba ichidagi nomuvofiqlik 1 — confusion matrix sinf yorliqlari: Maʼlumotlar toʻplami tavsifida 4046 ta normal va 10.506 ta abnormal ECG beat borligi yozilgan. FP32 va INT8 confusion matrix'larida 4046 namunali qator “Abnormal”, 10.506 namunali qator esa “Normal” deb belgilangan. Har ikki rasmning bir xil tarzda teskari yorliqlangani tizimli sinf-label muammosini anglatadi.

Manba ichidagi nomuvofiqlik 2 — FP32 precision: Confusion matrix sinflari maʼlumotlar toʻplamidagi sonlarga koʻra tuzatilib qayta hisoblanganda FP32 precision taxminan %86,03 chiqadi. Manba %85,88 deb bildiradi. Accuracy, recall va F1 matritsa bilan mos.

Manba ichidagi nomuvofiqlik 3 — batch/MSE namuna soni: 2.4-boʻlim training batch size qiymatini 256 deb bergan boʻlsa, (4)-tenglama ostida M training sample soni sifatida 128 deb yozilgan. Farq manbada tushuntirilmagan.

Manba ichidagi nomuvofiqlik 4 — rasm havolalari: 3.1-boʻlim FP32 ROC curve uchun 6-rasmga, 3.2-boʻlim INT8 ROC uchun 7-rasmga yoʻnaltiradi. Aslida 6-rasm INT8 confusion matrix, 7-rasm FP32 ROC, 8-rasm esa FP32–INT8 ROC taqqoslanishidir.

Unumdorlik chegarasi: Manbaning “real-time” va “low-power” baholari modelning kichikligi va potensial TinyML deployment qobiliyatiga asoslanadi. Tadqiqot haqiqiy qurilmada measured latency, watt/mW quvvat sarfi yoki energy/inference oʻlchovini taqdim etmaydi.

Klinik chegara: Model binary anomaly screening bajaradi va muayyan arrhythmia turini tasniflamaydi. Qoʻllangan natijalar retrospektiv maʼlumotlar toʻplami/model baholashidir; haqiqiy bemor yonida prospektiv diagnostik unumdorlik tadqiqoti emas.

Ushbu Verianla izohidagi ilmiy usul, sonli natijalar, confusion matrix sifat nazorati, model tuzilmasi, quantization mexanizmi va cheklovlar koʻrib chiqilgan tadqiqotga asoslanadi. Tashqi tekshiruv faqat bibliografik nashr identifikatsiyasini tasdiqlash maqsadida qoʻllangan; manbaga tashqaridan yangi klinik unumdorlik qiymati yoki ECG diagnostika natijasi qoʻshilmagan.