Le chercheur indépendant Mohamed Menasy a publié GlucoEdge, une étude d'ingénierie détaillant un pipeline de machine learning sur l'appareil de bout en bout pour la prévision des tendances glycémiques sur cinq classes et 15 minutes à partir de données de moniteur continu de glucose. Le travail introduit un CNN 1D compact ne contenant que 2 909 paramètres et couvre l'ensemble du workflow, de PyTorch à la conversion LiteRT.

  • La quantisation post-apprentissage INT8 statique a réduit la taille de l'artefact du modèle d'environ 31 %.
  • La quantification a fait chuter le rappel macro de 0,5060 à 0,4135, avec une baisse de performance dans les quatre classes directionnelles.
  • L'étude analyse la taille de déploiement ainsi que l'impact de la quantification sur le comportement des classes minoritaires, y compris la couverture des données d'étalonnage et le clipping de la plage d'entrée.
  • L'inférence hors ligne a été testée sur un appareil Android physique, avec le code et les matériaux de reproductibilité disponibles sur GitHub.

L'auteur note explicitement des limitations telles que les fenêtres de séries temporelles chevauchantes et le risque de fuite du préfixe contextuel, précisant qu'il s'agit d'un prototype de recherche plutôt que d'un système médical.