边缘端时间序列：面向可穿戴设备的轻量级可分离 CNN 与传感器最佳布局
机器学习
2025-12-15 v2 人工智能
计算机视觉与模式识别
图像与视频处理
摘要
我们研究面向帕金森病 (PD) 的可穿戴设备上基于短时序窗口的三轴加速度进行步态检测的端侧时间序列分析，目标为资源受限的可穿戴设备和边缘节点。我们将幅值阈值法与三种 1D CNN 进行比较：文献基线（可分离卷积）和两种超轻量模型——一种纯可分离，另一种带残差连接。使用 BioStampRC21 数据集，2 秒窗口、30 Hz，针对 16 名 PD 患者（胸部佩戴 IMU）进行主题独立的逐主题留存验证（LOSO），我们的残差可分离模型（Model 2，533 参数）达到 PR-AUC=94.5%，F1=91.2%，MCC=89.4%，相当或优于基线（5,552 参数；PR-AUC=93.7%，F1=90.5%，MCC=88.5%），参数数量约为 10 倍。最小模型（Model 1，305 参数）达到 PR-AUC=94.0%，F1=91.0%，MCC=89.1%。阈值方法获得高召回率（89.0%）但低精度（76.5%），导致大量假阳性和较高的主题间方差。传感器位置分析（train-on-all）显示胸部和大腿最可靠；前臂因非步态手臂运动导致精度/召回下降；将所有位置简单融合未优于最佳单点。两种紧凑 CNN 可在 STM32 级 MCU 上完成（低功耗板卡上亚 10 ms），实现端传感器数据传输/存储的触发。总体而言，超轻量可分离 CNN 在可穿戴 PD 步态检测中提供了优于固定阈值的精度-效率-泛化权衡，凸显了针对边缘部署的定制化时间序列模型的价值。
引用
@article{arxiv.2512.00396,
title = {Time-Series at the Edge: Tiny Separable CNNs for Wearable Gait Detection and Optimal Sensor Placement},
author = {Andrea Procopio and Marco Esposito and Sara Raggiunto and Andrey Gizdov and Alberto Belli and Paola Pierleoni},
journal= {arXiv preprint arXiv:2512.00396},
year = {2025}
}