8月20日，我们的团队与医疗保健和生命科学技术总监Frank Austin Nothaft博士和高级行业和解决方案市场营销经理Michael Ortega共同主持了一场医疗设备数据自动监控的在线研讨会。通过将机器学习应用于医疗设备数据，医疗机构可以自动化患者监控，通过预防性维护降低维修成本，并在临床环境之外收集有关患者健康的新见解。然而，大多数试图在这些大型数据集上构建ML管道的医疗保健组织都面临着许多挑战，例如扩展遗留基础设施、构建可靠的流媒体管道以及高效地开发模型。在本次网络研讨会中，我们分享了如何利用数据块和流行的开源技术来克服这些挑战，其中包括一个关于流式医疗设备数据的深度学习模型的现场演示。观看重播，了解如何：使用结构化流和Delta-Lake为EKG数据建立一个流媒体管道提高数据一致性保证，同时消除数据工程瓶颈实时交互式查询流式心电图数据在太字节波形上快速训练深度学习模型在MLFlow中跟踪和管理整个模型生命周期，允许分析跟踪我们使用这些笔记本和教程演示了这些概念：笔记本：下载和预处理数据记：训练和调整神经网络笔记本：创建流式数据集记事本：对连续到达的数据进行推理如果您想免费访问Databricks统一分析平台并在其上尝试我们的笔记本电脑，您可以访问免费试用版（AWS | Azure）。最后，我们进行了问答，下面是问答。Q： WFDB在这个用例中到底有什么帮助？WFDB数据是存储在Databricks中还是存储在不同的服务器上？WFDB是用于交换生物医学波形数据的标准文件格式。在本例中，WFDB是EKG数据到达的交换文件格式，数据存储在Databricks文件系统（DBFS）中。DBFS是一个薄层，用于管理存储在azuredatabricks上客户的azureblob存储中的数据的元数据，或者AWS上Databricks上的S3。在我们演示的工作流中，我们首先将WFDB中的数据转换为Delta-Lake表。Q： 如何确定窗口大小？尺寸是否影响性能？我们根据最近分析这个数据集的博客，选择2048个样本作为窗口大小。直观地说，2048个样本在这个数据集中使用的采样率下大约是2个心跳。Q： 在摄入前是否对数据进行了信号处理？在这个例子中，我们使用了从openaccess PTB诊断ECG数据库收集的数据。采集数据时进行有限信号处理。下载数据后，我们没有进行额外的信号处理。Q： Databricks是否提供自动keras支持？AutoCARAS是一个Python库，用于使用KRAS深度学习库来自动化神经网络模型体系结构优化，该库被预先安装到DigiRasksML运行时（AWS Azure）中。autokeras可以使用Databricks库管理特性（AWS | Azure）安装并在Databricks集群上使用。除了autokeras，我们还支持广泛的AutoML功能，我们在最近的一篇博客中介绍了这些功能。Q： 如何监控集群？在哪里可以看到每个作业的指标？Spark UI在运行Spark作业时显示在笔记本电脑中，并且可以在Databricks cluster UI（AWS | Azure）上访问。此外，我们还提供了大量的度量，比如Ganglia（AWS | Azure）输出的度量。下一步行动观看网络研讨会重播以了解更多信息从我们的网络研讨会开始，使用笔记本电脑探索我们的医疗设备数据深度学习渠道：下载并预处理数据训练和调整神经网络创建流式数据集对连续到达的数据运行推理开始免费试用Databricks免费试用Databricks。今天就开始吧