面向 Edge-AI 的 Biosignals 子 MB、子 50mW 级设备微调框架 BioTrain
机器学习
2026-04-24 v2 硬件体系结构
信号处理
摘要
Biosignals 存在显著的跨主体和跨会话变异，导致跨域迁移严重降低面向小型边缘 AI 模型的部署后性能。因此，设备端适应对于保持用户隐私和确保系统可靠性至关重要。然而，现有的亚 100 mW 级 MCU 平台仅能支持浅层或稀疏适应方案，due to 全反向传播 (BP) 的庞大内存占用和计算成本。本文提出 BioTrain 框架，在毫瓦级功耗和亚兆字节内存约束下，实现对先进 biosignal 模型的全网精调。我们使用 EEG 和 EOG 数据集进行离线和设备端基准测试，覆盖 Day-1 新主体标定和信号漂移的纵向适应。实验结果表明，全网精调在非适应基准中准确率提升最高可达 35%，在新主体标定中比仅更新最后一层高出约 7%。在 GAP9 MCU 平台上，BioTrain 实现 EEG 和 EOG 模型的设备端训练吞吐量分别为 17 样本/s 和 85 样本/s，功耗低于 50 mW。此外，BioTrain 的高效内存分配器和网络拓扑优化使大批量处理成为可能，降低峰值内存占用。对于 GAP9 上的全片 BP，BioTrain 比常规采用批量归一化的全网精调（批量大小为 8）将内存占用降低 8.1 倍，从 5.4 MB 降至 0.67 MB。
引用
@article{arxiv.2604.13359,
title = {BioTrain: Sub-MB, Sub-50mW On-Device Fine-Tuning for Edge-AI on Biosignals},
author = {Run Wang and Victor J. B. Jung and Philip Wiese and Sebastian Frey and Giusy Spacone and Francesco Conti and Alessio Burrello and Luca Benini},
journal= {arXiv preprint arXiv:2604.13359},
year = {2026}
}