1. 医疗边缘智能异常检测与告警工程导论
医疗场景中的异常检测，正在从“把数据传到云端再分析”转向“在病床旁、在影像设备内、在可穿戴终端上就地判断”。这一转变的驱动力很直接：生命体征是连续流数据，一次心律失常、一次血氧骤降、一次输液阻塞，都可能在几十秒内决定干预是否及时。如果每一条心电采样都先上传云端，网络抖动、带宽拥塞和排队延迟会直接转化为临床风险。边缘智能要解决的，就是让判断发生在数据产生的地方，让告警在临床可接受的时间窗内到达正确的人。
本课程定位为“工程实现课”，而不是算法理论课。我们不满足于知道孤立森林或自编码器能检测异常，而是要回答：在算力只有几 TOPS、内存只有几百 MB 的边缘盒子上，模型如何压缩、如何部署、如何与 HL7/FHIR 接口对接、如何避免误报告警淹没护士站、如何在设备掉电或网络中断时保证告警不丢失。课程最终交付一个可运行的实战项目：面向多参数监护仪的边缘异常检测与告警系统，覆盖数据采集、特征提取、模型推理、告警分级、上报与可视化全链路。
医疗边缘计算的典型场景
医疗边缘计算并非单一形态，按部署位置和实时性要求，可以分成三类典型场景。第一类是床旁监护边缘：多参数监护仪每秒产生 125～500 个心电采样点，边缘网关在本地完成 QRS 检测、心率变异性分析和室性早搏初筛，只把异常片段和统计特征上传。第二类是影像设备内嵌边缘：便携超声或 DR 设备内置推理模块，在采集完成后数秒内给出“疑似气胸”“疑似骨折”提示，辅助技师决定是否重拍。第三类是可穿戴与慢病管理边缘：动态心电贴、连续血糖仪在终端上做长时程趋势判断，仅在触发阈值或模式变化时通过低功耗蓝牙上报。
这三类场景的共同约束是：数据不能全量上云、判断必须在本地完成、告警必须可追溯。差异在于算力预算、功耗预算和临床风险等级。床旁监护允许几十瓦功耗和较强算力，可穿戴设备则要在毫瓦级预算下完成推理。课程实战项目选择床旁监护场景，因为它同时具备流数据处理、实时性要求和告警闭环三个关键要素，便于把工程问题讲透。
异常检测与告警的核心挑战
把异常检测从论文搬到病房，难点不在模型结构，而在四个工程矛盾。
第一，标注稀缺与类别极不平衡。正常窦性心律样本以百万计，而室颤、停搏等致命事件可能只有个位数样本。监督学习无从下手，必须依赖无监督或半监督方法，用正常数据建立基线，把偏离基线的模式判为异常。但“偏离”不等于“有病”，运动伪影、电极脱落、患者翻身都会造成大幅偏离，因此需要结合信号质量指标做二次判别。
第二，误报与漏报的代价不对称。漏报一次室速可能致命，误报一次则消耗护士注意力。工程上不能只优化 AUC，而要设定可接受的工作点：例如在测试集上要求敏感度不低于 0.95，同时把每小时误报控制在 2 次以内。这需要引入告警抑制、去重和分级策略，而不是简单调阈值。
第三，资源约束下的模型部署。一个在服务器上表现良好的 LSTM 自编码器，参数量可能超过 10 MB，推理延迟超过 200 ms，直接部署到边缘盒子会挤占其他任务。必须做量化、剪枝或知识蒸馏，并验证压缩后敏感度下降是否在可接受范围内。
第四，告警必须形成闭环。检测到异常只是开始，告警要经过分级、去重、路由、确认和记录。一条未确认的告警是否重发？网络中断时本地缓存多久？这些策略直接决定系统在真实病房中是否可用。
整体知识地图与实战项目
课程按“信号—模型—部署—告警—验证”五段组织，但并非线性流程，而是围绕实战项目迭代推进。前四章建立场景认知与工程约束；第五至十章处理信号预处理与特征工程，包括工频干扰抑制、基线漂移去除、QRS 检测和滑窗特征构造；第十一至十八章进入异常检测建模，覆盖统计方法、孤立森林、自编码器、时序重构和半监督策略；第十九至二十四章聚焦边缘部署，包括模型量化、推理引擎选型、内存与功耗优化；第二十五至二十八章实现告警分级、去重、路由与断网续传；最后两章完成端到端测试、误报漏报评估和临床可用性复盘。
实战项目以一台模拟多参数监护仪为数据源，通过串口输出 ECG、SpO₂ 和呼吸波形，边缘网关采用 ARM 架构开发板，运行轻量推理引擎。项目要求实现以下可验证目标：对测试数据中的室性早搏和血氧骤降两类异常，敏感度不低于 0.95，每小时误报不超过 2 次；从异常发生到告警送达护士站界面，端到端延迟不超过 3 秒；网络中断 30 秒内告警不丢失，恢复后按时间顺序补传。这些指标不是装饰，而是贯穿全课程的验收依据。
需要特别强调的是，医疗边缘智能的工程判断标准与通用 AI 应用不同。在消费场景中，模型准确率提升一个百分点可能只是体验优化；在医疗场景中，一个百分点的敏感度下降可能意味着漏掉一批需要干预的患者。因此本课程反复强调：任何模型压缩、阈值调整或告警策略变更，都必须回到测试集上重新评估敏感度和误报率，并保留可追溯的评估记录。工程上的“差不多”在临床场景中是不可接受的。