面向资源受限设备的 CNN 模型复杂度优化：以 QRS 检测为例
机器学习
2023-01-24 v1 信号处理
摘要
传统深度学习模型复杂且资源消耗大，因此在设计（医疗）物联网（IoT 或 IoMT）应用时应权衡效率与复杂度的折衷。近期物联网方案因此类复杂性倾向于避免使用深度学习方法，而普遍采用经典的基于滤波的方法。我们假设，浅层 CNN 模型结合其他适合资源受限环境的关键解决方案组件（如后处理）可提供令人满意的性能。在以 IoMT 应用为背景、从 ECG 信号进行 QRS 检测与 R 峰定位的案例中，我们改变 CNN 模型与后处理的复杂度，以识别出适用于一系列目标资源受限环境的组合。据我们所知，通过按需逐步增加 CNN 模型复杂度以匹配目标资源容量，并借助后处理优势来寻找可部署配置，尚属首例。结果表明，带有合适后处理的 2 层浅层 CNN 可达到 90\% 的 F1 分数，且分数在 8–32 层 CNN 上持续提升，可用于刻画目标约束环境。结果表明，在已知目标性能特征与资源（计算能力与内存）约束下设计最优深度学习方案是可行的。
引用
@article{arxiv.2301.09232,
title = {Optimising complexity of CNN models for resource constrained devices: QRS detection case study},
author = {Ahsan Habib and Chandan Karmakar and John Yearwood},
journal= {arXiv preprint arXiv:2301.09232},
year = {2023}
}