面向低功耗可穿戴设备的PPG-based血压估计的深度神经网络优化与部署
信号处理
2024-09-13 v1 人工智能
机器学习
摘要
PPG-based血压( BP)估计是面向低功耗设备（如可穿戴设备）的难题生物信号处理任务。当前最先进的深度神经网络(DNN)要么实现PPG-to-BP信号到信号的重建，要么进行标量BP值的回归，在最大且最复杂的公开数据集上已优于经典方法。然而，这些模型往往需要大量参数存储或计算资源，超出可穿戴设备的可用内存，或导致高延迟和能耗。本文描述了一个完全自动的DNN设计管道，涵盖硬件感知的神经网络架构搜索(NAS)和量化，使我们能够获得准确且轻量级的模型，可部署在超低功耗多核系统单芯片(GAP8)上。从回归和信号到信号的最先进模型出发，基于四个公开数据集，我们获得了在等错误情况下最高可达4.99%更低误差或73.36%更小型化。值得注意的是，虽然最大数据集上最准确的SoA网络无法适配GAP8内存，但我们的所有优化模型都可以适配；我们最准确的DNN仅消耗0.37 mJ，即可在收缩期血压估计中实现最低MAE 8.08。
引用
@article{arxiv.2409.07485,
title = {Optimization and Deployment of Deep Neural Networks for PPG-based Blood Pressure Estimation Targeting Low-power Wearables},
author = {Alessio Burrello and Francesco Carlucci and Giovanni Pollo and Xiaying Wang and Massimo Poncino and Enrico Macii and Luca Benini and Daniele Jahier Pagliari},
journal= {arXiv preprint arXiv:2409.07485},
year = {2024}
}