MorpheusNet：用于嵌入式在线系统的资源高效睡眠阶段分类器
信号处理
2024-01-22 v1 人工智能
机器学习
摘要
睡眠阶段分类（SSC）是一项劳动密集型任务，需要专家检查数小时的电生理记录以进行手动分类。在利用睡眠阶段进行治疗时，这是一个限制因素。随着可穿戴设备日益普及和扩展，SSC 的自动化可能使基于睡眠的疗法得以大规模部署。深度学习作为一种使该过程自动化的潜在方法受到了越来越多的关注。先前的研究表明，其准确率可与手动专家评分相媲美。然而，先前的方法需要大量的内存和计算资源。这限制了实时分类和在边缘端部署模型的能力。为了解决这一差距，我们旨在提供一种能够实时预测睡眠阶段的模型，而无需访问外部计算源（例如，移动电话、云端）。该算法具有高能效，可在电池供电的嵌入式系统上使用。我们紧凑的睡眠阶段分类器可以部署在大多数具有受限硬件设置的现成微控制器（MCU）上。这是因为我们方法的内存占用需要显著更少的操作。该模型在三个公开可用的数据库上进行了测试，并取得了与现有技术（SOTA）相当的性能，同时将模型复杂度降低了几个数量级（比 SOTA 小达 280 倍）。我们进一步通过将参数量化为 8 位来优化模型，准确率仅平均下降 0.95%。在固件中实现时，量化模型在 Arm CortexM4 处理器上实现了 1.6 秒的延迟，使其能够用于基于在线 SSC 的疗法。
引用
@article{arxiv.2401.10284,
title = {MorpheusNet: Resource efficient sleep stage classifier for embedded on-line systems},
author = {Ali Kavoosi and Morgan P. Mitchell and Raveen Kariyawasam and John E. Fleming and Penny Lewis and Heidi Johansen-Berg and Hayriye Cagnan and Timothy Denison},
journal= {arXiv preprint arXiv:2401.10284},
year = {2024}
}
备注
This paper was presented at the 2023 IEEE conference on Systems, Man, and Cybernetics (SMC)