characterize PPG心率估计模型的知识蒸馏
机器学习
2025-12-10 v2
摘要
从光电血容量图（PPG）信号生成的心率估计对于来自智能手表和健身追踪器等可穿戴设备的用户的健康和幸福具有重大意义。尽管先前的工作已展示了在心率估计任务中表现强大的深度学习模型，但为了在可穿戴设备上部署这些模型，这些模型也必须遵守严格的内存和延迟限制。本文我们探索和描述了如何将大型预训练PPG模型蒸馏到适用于边缘实时推理的较小模型。我们通过教师和学生模型容量的全面扫描，评估了四种蒸馏策略：（1）硬蒸馏，（2）软蒸馏，（3）解耦知识蒸馏（DKD），和（4）特征蒸馏。我们呈现了结果尺度规律的描述，描述了模型大小与性能之间的关系。这一早期调查为构建用于生理感知的边缘可部署模型提供了实用且可预测的方法。
引用
@article{arxiv.2511.18829,
title = {Towards Characterizing Knowledge Distillation of PPG Heart Rate Estimation Models},
author = {Kanav Arora and Girish Narayanswamy and Shwetak Patel and Richard Li},
journal= {arXiv preprint arXiv:2511.18829},
year = {2025}
}
备注
5 pages, 3 figures, 39th Conference on Neural Information Processing Systems (NeurIPS 2025) Workshop: Learning from Time Series for Health