Tiny-HR：面向边缘设备心率估计的可解释机器学习流水线
机器学习
2022-08-18 v1 人机交互
信号处理
摘要
本文关注一个概念验证的机器学习（ML）流水线，该流水线从低功耗边缘设备上获取的压力传感器数据中提取心率。该 ML 流水线由一个上采样神经网络、一个信号质量分类器和一个为高效准确心率估计而优化的一维卷积神经网络组成。模型设计使得流水线小于 40 kB。此外，开发了由上采样器和分类器后接峰值检测算法组成的混合流水线。这些流水线被部署在 ESP32 边缘设备上，并与信号处理进行基准对比以确定能耗和推理时间。结果表明，所提出的 ML 和混合流水线相比传统算法分别减少每次推理的能量和时间达 82% 和 28%。ML 流水线的主要权衡是精度，其平均绝对误差（MAE）为 3.28，而混合和信号处理流水线的 MAE 分别为 2.39 和 1.17。因此，ML 模型在能量和计算受限设备的部署上展现出前景。此外，ML 流水线较低的采样率和计算需求可促成定制硬件方案，以降低可穿戴设备的成本和能耗。
引用
@article{arxiv.2208.07981,
title = {Tiny-HR: Towards an interpretable machine learning pipeline for heart rate estimation on edge devices},
author = {Preetam Anbukarasu and Shailesh Nanisetty and Ganesh Tata and Nilanjan Ray},
journal= {arXiv preprint arXiv:2208.07981},
year = {2022}
}
备注
10 pages, 6 figures, Preprint Submitted to IEEE Transactions on Consumer Electronics