Tiny Eats：微控制器上的进食检测
机器学习
2020-03-17 v1 信号处理
机器学习
摘要
人们对用于自动饮食监测（ADM）[1]的低功耗高效可穿戴设备兴趣日益增长。深度神经网络在音频事件分类问题上的成功使其非常适合该任务。然而，深度神经网络不仅计算密集且能效低，还需要大量内存。为应对这些挑战，我们提出了一种适用于资源受限应用的浅层门控循环单元（GRU）架构。本文描述了在低功耗微控制器 Arm Cortex M0+ 上实现 Tiny Eats GRU（一种浅层 GRU 神经网络）以分类进食时段。Tiny Eats GRU 是传统 GRU [2] 与 eGRU [3] 的混合，使其足够小且快以适配 Arm Cortex M0+，并达到与传统 GRU 相当的精度。Tiny Eats GRU 仅利用 Arm Cortex M0+ 4% 的内存，以 6 ms 延迟和 95.15% 的精度识别进食或非进食时段。
引用
@article{arxiv.2003.06699,
title = {Tiny Eats: Eating Detection on a Microcontroller},
author = {Maria T. Nyamukuru and Kofi M. Odame},
journal= {arXiv preprint arXiv:2003.06699},
year = {2020}
}
备注
5 pages, 7 figures, 2 tables, Sensys-ML Workshop