AHAR：面向低功耗边缘设备节能人体活动识别的自适应CNN
机器学习
2022-01-04 v3 信号处理
摘要
人体活动识别（HAR）是健康监测的关键应用之一，需要持续使用可穿戴设备来追踪日常活动。本文提出了一种适用于低功耗边缘设备的节能HAR自适应CNN（AHAR）。与传统基于分类置信度做出退出决策的早退架构不同，AHAR提出了一种新颖的自适应架构，使用输出块预测器来选择基线架构在推理阶段使用的一部分。实验结果表明，传统早退架构存在性能损失，而我们的自适应架构在节能的同时提供了与基线相当或更好的性能。我们在两个数据集Opportunity和w-HAR上验证了我们的方法在运动活动分类中的有效性。相较于Opportunity数据集的雾/云计算方法，我们的基线架构和自适应架构分别取得了91.79%和91.57%的可比加权F1分数。对于w-HAR数据集，我们的基线架构和自适应架构以97.55%和97.64%的加权F1分数优于现有最优工作。在真实硬件上的评估显示，相较于Opportunity数据集上的工作，我们的基线架构显著节能（少422.38倍）且省内存（少14.29倍）。对于w-HAR数据集，我们的基线架构相比最优工作少耗2.04倍能量、少占2.18倍内存。此外，实验结果表明，我们的自适应架构比基线架构节能12.32%（Opportunity）和11.14%（w-HAR），同时在内存开销无显著增加的情况下提供相当（Opportunity）或更好（w-HAR）的性能。
引用
@article{arxiv.2102.01875,
title = {AHAR: Adaptive CNN for Energy-efficient Human Activity Recognition in Low-power Edge Devices},
author = {Nafiul Rashid and Berken Utku Demirel and Mohammad Abdullah Al Faruque},
journal= {arXiv preprint arXiv:2102.01875},
year = {2022}
}
备注
11 pages, 9 figures, Accepted to be published in IEEE Internet of Things Journal