边缘计算
Parent: ai_keywords
边缘计算
核心定义
边缘计算（Edge Computing）是一种分布式计算范式，将数据处理、存储与应用推理从云端中心迁移至靠近数据源（如传感器、移动设备、医疗终端）的“边缘”节点。与传统的集中式云计算相比，边缘计算通过就近执行任务，显著降低网络延迟、节省带宽消耗，并增强数据隐私与本地自治能力。在人工智能与临床医学深度交叉的背景下，边缘计算为实时、高可靠、低延迟的神经疾病诊疗提供了关键计算支撑。
关键技术点
- 低延迟实时处理：边缘节点在数据产生侧即可完成推理，避免网络传输时延，满足神经电生理信号（如EEG、ECoG）毫秒级响应需求。
- 带宽优化与数据本地化：仅上传预处理后的特征或异常事件至云端，削减高频信号（如皮层脑电256Hz以上）的传输压力，降低对医院核心网的依赖。
- 隐私与安全增强：原始神经信号（含患者身份及病灶信息）在本地处理并脱敏，仅共享匿名化结果，符合医疗数据合规要求。
- 轻量化AI推理模型：通过模型压缩、量化与剪枝，将深度学习网络（如CNN、LSTM）部署于低功耗边缘设备，实现癫痫放电检测、帕金森步态识别等任务。
医学/神经科学应用场景：可穿戴癫痫实时预警系统
首都医科大学神经病学团队在皮层脑电监测研究中，利用边缘计算构建了便携式发作检测装置。该装置集成微型脑电采集模块与低功耗边缘AI芯片（如ARM Cortex-M系列），内置经过剪枝的3层卷积神经网络。患者佩戴后，边缘节点可实时分析头皮EEG中棘波、尖慢复合波等特征，在发作前5–10秒触发本地振动报警，并仅将发作事件的时间戳与频域摘要上传至云端医生端。整个过程端到端延迟 < 30 ms（远低于云端方案100–200 ms），且患者脑电原始数据不出设备，避免隐私泄漏风险。该技术已在前瞻性临床队列中验证，检出率>92%，误报率<0.5次/小时，为癫痫院前干预提供了可行的计算架构。
