面向严重运动伪影和水下环境的可穿戴IoT的高效EDA去噪通过知识蒸馏
信号处理
2026-05-08 v1 人工智能
摘要
电皮肤活动（EDA）广泛用于可穿戴Internet医疗物联网（IoMT）系统中，用于持续健康监测，包括自主功能评估。然而，EDA信号高度易受到运动伪影和环境噪声的影响，限制了在恶劣操作条件下的可靠部署，如水下环境。本研究提出了一个 robust 可部署EDA去噪框架，可跨越多个测量位置和恶劣环境。该框架集成了混合CNN-Transformer教师模型与轻量级深度可分离CNN学生模型，通过知识蒸馏（KD）策略实现集成。为进一步提高鲁棒性，引入了真实数据增强方案，以模拟多样化的运动伪影和环境失真。KD-based学生模型显著减少模型大小（7.87 MB降至0.51 MB）和计算成本（105.1M FLOPs降至11.61M FLOPs），同时保持去噪性能（MAE: 0.144，信噪比改善: 12.08 dB），使用公共数据集验证。在真实世界水下条件（UMAC数据集）测试中，所提方法显著改进皮肤电导反应重建，将平均绝对误差从2.809降至0.215。此外，在独立测试中使用CNS-OT数据集，去噪信号增强了下游CNS-OT预测性能，实现最高AUROC（0.806），优于先前去噪方法。该方法还提高了早期预测率（灵敏度）从0.550提升至0.767，使CNS-OT预测可提前中位6.9分钟。这些结果表明，所提框架不仅改善了EDA信号质量，还在保持适用于资源受限可穿戴物联网系统运行于恶劣环境的同时，提高了临床相关预测性能。
引用
@article{arxiv.2605.05246,
title = {Memory-Efficient EDA Denoising via Knowledge Distillation for Wearable IoT Under Severe Motion Artifacts and Underwater Conditions},
author = {Yongbin Lee and Andrew Peitzsch and Youngsun Kong and Jarod Zizza and Dong-hee Kang and Farnoush Baghestani and Ki H. Chon},
journal= {arXiv preprint arXiv:2605.05246},
year = {2026}
}