面向可穿戴设备的PPG-based血压估计的端到端自动化深度神经网络优化
机器学习
2026-04-28 v2
摘要
脉搏血压（PPG）-based血压（BP）估计是一项具有挑战性的任务，尤其是在资源受限的可穿戴设备上。然而，完全嵌入式处理是确保用户数据保密性的理想方式。最近的深度神经网络（DNN）通过重建BP波形或直接回归BP值实现了高BP估计精度，但其庞大的内存、计算和能源需求阻碍了在可穿戴设备上的部署。本工作引入一个完全自动化的DNN设计管道，结合硬件感知神经网络结构搜索（NAS）、剪枝和混合精度搜索（MPS），生成用于超低功耗多核系统单芯片（SoC）的准确且紧凑的BP预测模型。从四个公开数据集上的最先进基线模型开始，我们的优化网络实现了最高7.99%的误差降低，参数减少7.5倍，或实现83倍的参数减少且几乎不损失精度。所有模型均能在目标SoC（GreenWaves的GAP8）上的内存占用不超过512 kB，所需内存不足55 kB，平均推理延迟为142 ms，能耗为7.25 mJ。患者特定微调进一步提升了最高可达64%的精度，使可穿戴设备上的全自动低成本BP监测成为可能。
引用
@article{arxiv.2604.10117,
title = {End-to-end Automated Deep Neural Network Optimization for PPG-based Blood Pressure Estimation on Wearables},
author = {Francesco Carlucci and Giovanni Pollo and Xiaying Wang and Massimo Poncino and Enrico Macii and Luca Benini and Sara Vinco and Alessio Burrello and Daniele Jahier Pagliari},
journal= {arXiv preprint arXiv:2604.10117},
year = {2026}
}