DÉCOUVRIR LE PROJET
Immersive Video Counching for CPAP (Continuous Positive Airwuny Pressure) Adherence
Edge-to-Cloud IA Pipeline Diffusion Personnalisée Médicale Coaching Vidéos En moins de 60 Secondes via 5G/6G Qualité-à-la-demande
Conçu et construit un 6G Qualité sur Demande (QoD) activé vidéo génération pipeline que utilise Raspberry Pi périphérie informatique à détecter temps réel CPAP télémétrie anomalies et automatiquement livrer personnalisées, médicalement précises coaching vidéos à patients dans strictes réseau latence contraintes
PYTHON - FASTAPI - TENSORFLOW LITE - RASPBERRY PI - GOOGLE VERTEX API - CAMARA QOD API - MATPLOTLIB - WEBVTT - SQLITE - UVICORN - 5G/6G EDGE COMPUTING
Aperçu du Projet
Création d'un pipeline complet de données à impact reliant la télémétrie des capteurs CPAP (débit d'air, SpO2, pression du masque) à un classificateur d'anomalies déployé en périphérie sur un Raspberry Pi, qui déclenche une couche d'orchestration cloud pour sélectionner, adapter ou générer des vidéos de coaching personnalisées. Pour éviter les "hallucinations" de données médicales par l'IA, l'architecture découple les faits cliniques de l'animation générative, Python rend d'abord des graphiques déterministes à partir de valeurs de capteurs réelles, et l'API Google Vertex n'anime que ce graphique vérifié, tandis que des fichiers WebVTT séparés garantissent des sous-titres bilingues (anglais/français) 100% précis. La livraison est coordonnée via une session CAMARA 5G Quality-on-Demand ciblant une latence inférieure à 60 secondes pour les actifs mis en cache et moins de 15 minutes pour les clips fraîchement générés.
Le système suit quatre étapes : un nœud périphérique (Raspberry Pi) exécutant un classificateur TFLite quantifié sur des fenêtres de capteurs, un serveur d'orchestration cloud qui associe les déviations confirmées à l'un des trois parcours de coaching (récupérer, adapter ou générer une vidéo), un pipeline vidéo génératif combinant des graphiques Matplotlib avec l'animation Veo, et un tableau de bord HTML5 bilingue qui enregistre les commentaires des patients pour le réentraînement du modèle. Cette architecture "Generative Fallback" a été formalisée de sorte que même les anomalies non mappées ou rares reçoivent une réponse vidéo rapide, déterministe et médicalement sûre dans la fenêtre SLA
