Q-PPG：基于可穿戴设备 PPG 的节能心率监测
信号处理
2022-03-29 v1 人工智能
机器学习
摘要
心率（HR）监测越来越多地通过腕戴式设备使用低成本光电容积脉搏波（PPG）传感器来完成。然而，受试者手臂运动引起的运动伪影（MAs）会影响基于 PPG 的心率追踪性能。通常通过将 PPG 信号与惯性传感器的加速度测量值耦合来解决该问题。遗憾的是，此类标准方法大多依赖手工调参，这损害了它们的泛化能力及其在实地真实数据上的适用性。相比之下，基于深度学习的方法尽管泛化更好，却被认为过于复杂而难以部署在可穿戴设备上。在本工作中，我们应对这些局限，提出一种设计空间探索方法，自动生成丰富的深度时间卷积网络（TCNs）家族用于心率监测，均源自单一“种子”模型。我们的流程包含两个神经架构搜索（NAS）工具与一个硬件友好量化器的级联，其结合产生了兼具高精度与极轻量的模型。在 PPG-Dalia 数据集上测试时，我们最精确的模型在平均绝对误差上树立了新标杆（state-of-the-art）。此外，我们将 TCNs 部署于搭载 STM32WB55 微控制器的嵌入式平台，证明了其实时执行的可行性。我们最精确的量化网络达到了 4.41 次每分钟（BPM）的平均绝对误差（MAE），能耗为 47.65 mJ，内存占用为 412 kB。同时，在我们流程生成的网络中，获得 MAE < 8 BPM 的最小网络内存占用仅 1.9 kB，每次推理仅消耗 1.79 mJ。
引用
@article{arxiv.2203.14907,
title = {Q-PPG: Energy-Efficient PPG-based Heart Rate Monitoring on Wearable Devices},
author = {Alessio Burrello and Daniele Jahier Pagliari and Matteo Risso and Simone Benatti and Enrico Macii and Luca Benini and Massimo Poncino},
journal= {arXiv preprint arXiv:2203.14907},
year = {2022}
}