Grenzen und Nachteile von Edge-Deployed AI zur Erkennung von Anomalien in medizinischen Geräten

Kontext

Medizinische Geräte müssen eine kontinuierliche Verfügbarkeit gewährleisten, indem sie Anomalien erkennen, die ihre Fähigkeit zur Unterstützung und Automatisierung von Funktionen im Operationssaal beeinträchtigen könnten. Für eine effektive Anomalieerkennung werden modellbasierte Algorithmen verwendet, die Sensordaten analysieren.

Mit Edge AI können die Algorithmen sofort und näher am Standort des Geräts verarbeitet werden, wodurch Echtzeit-Feedback bereitgestellt wird. Die Ausführung auf Geräten ohne Internetzugang garantiert zudem, dass sensible Daten den Edge Bereich nicht verlassen.

Ziele

In dieser Masterarbeit wird die Eignung von KI-Modellen zur Anomalie Detektion für Operationstisch Komponenten (z.B E-Motoren, Getriebe, Bremsen) untersucht.

Folgende Ziele werden im Rahmen der Studie verfolgt:

• Identifizierung geeigneter Operationstischdaten zur Überwachung
• Identifizierung geeigneter Toolchain(s) für die Modelloptimierung zur effizienten Ausführung auf Edge Devices
• Auswahl/Benchmarking geeigneter Hardware-Plattform(en) für den Einsatz: MCUs, NPUs (Neural Processing Unit), AI-Beschleuniger
• Bewertung der Leistung: Engpässe, Latenz, Energieverbrauch.

Voraussetzungen

• Selbstständige Arbeitsweise und kreative Denkweise
• Programmierkenntnisse in Python und opt. in C++
• Grundkenntnisse in KI (in PyTorch oder TensorFlow)

Die Arbeit wird bei Getinge AB in Rastatt durchgeführt und bietet daher die Möglichkeit für einen starken Praxisbezug.