基于PPG心率估计的可穿戴至手机ML推理节能卸载
信号处理
2023-06-13 v1 机器学习
摘要
现代智能手表通常包含光电容积脉搏波(PPG)传感器，通过融合PPG与其他信号的复杂算法来测量心跳或血压。本工作中，我们提出一种协同推理方法，同时使用智能手表与相连的智能手机，以最大化心率(HR)跟踪性能并延长智能手表电池寿命。具体而言，我们首先分析在设备端运行HR跟踪或将任务卸载至手机之间的权衡。随后，借助额外步骤评估后续HR预测的难易程度，我们证明可智能地在智能手表与手机间管理工作负载，在保持低平均绝对误差(MAE)的同时降低能耗。我们在定制智能手表原型(含STM32WB55 MCU与低功耗蓝牙(BLE)通信)及作为手机代理的Raspberry Pi3上对所提方法进行基准测试。借助协同心率推理系统(CHRIS)，我们获得一组帕累托最优配置，在消耗更少能量的同时达到与最先进(SoA)算法相同的MAE。例如，在将80%预测卸载至手机的配置下，我们可实现约与TimePPG-Small相同的MAE(5.54 BPM MAE对比5.60 BPM MAE)，同时能耗降低2.03倍。此外，若接受性能退化至7.16 BPM MAE，我们可实现每次预测179 uJ的能耗，较在智能手表上运行TimePPG-Small降低3.03倍，较将所有输入数据流式传输至手机降低1.82倍。
引用
@article{arxiv.2306.06129,
title = {Energy-efficient Wearable-to-Mobile Offload of ML Inference for PPG-based Heart-Rate Estimation},
author = {Alessio Burrello and Matteo Risso and Noemi Tomasello and Yukai Chen and Luca Benini and Enrico Macii and Massimo Poncino and Daniele Jahier Pagliari},
journal= {arXiv preprint arXiv:2306.06129},
year = {2023}
}
备注
Published at 2023 Design, Automation \& Test in Europe Conference \& Exhibition (DATE)