基于脉搏血氧图信号的实时应激检测：资源受限微控制器上卷积神经网络与连续小波变换的实现
信号处理
2024-10-29 v1 机器学习
摘要
本文引入一种利用卷积神经网络 (CNN) 设计的 robust stress detection system，用于分析脉搏血氧图 (PPG) 信号。我们采用 WESAD 数据集，对手腕 PPG 信号应用连续小波变换 (CWT)，实现了对压力检测和学习的增强，优于传统技术。值得注意的是，在资源受限的微控制器上实现后，CNN 达到了 93.7% 的准确率（经过五个 epoch）。包括修剪和 post-train quantization 的优化过程对于将模型大小缩减到 1.6MB至关重要，以克服微控制器的有限资源（2MB 的 Flash 存储和 512KB 的 RAM）。该优化模型不仅解决了资源限制，还优于传统信号处理方法，作为实时应力监测可穿戴设备的有前景的解决方案。
引用
@article{arxiv.2410.19776,
title = {Real-Time Stress Detection via Photoplethysmogram Signals: Implementation of a Combined Continuous Wavelet Transform and Convolutional Neural Network on Resource-Constrained Microcontrollers},
author = {Yasin Hasanpoor and Amin Rostami and Bahram Tarvirdizadeh and Khalil Alipour and Mohammad Ghamari},
journal= {arXiv preprint arXiv:2410.19776},
year = {2024}
}
备注
5 figures, implemented on Microcontroller