面向低功耗微控制器的微型Transformer用于心律失常分类

用于连续和实时监测心血管疾病的可穿戴系统日益普及，成为诊断和治疗的有价资产。代表性方法是利用Transformer机器学习模型对心电图（ECG）信号进行实时分析和心脏条件检测，如心律失常。虽然Transformer是时序分类的强大模型，但在可穿戴领域的高效实现面临显著设计挑战，需在准确性和复杂度之间取得平衡。本文提出一种微型Transformer模型，用于ECG信号分析，仅需6k参数，即可在MIT-BIH心律失常数据库中对5类最常见心律失构的识别达到98.97%准确率，采用8位整数推断以满足低功耗微控制器上高效运行的需求。我们探索了基于数据增强的训练方法，以提高对电极运动伪影噪声的鲁棒性，结果显示在最坏情况下部署后性能评估为98.36%准确率。最终通过在并行超低功耗GAP9处理器上实现部署，演示了其可穿戴监测解决方案的适用性，推理执行仅需4.28ms和0.09mJ。