面向健康监测的 DNN 边缘计算设备中的硬件支持域泛化
机器学习
2025-03-14 v1
摘要
深度神经网络 (DNN) 模型在许多现实场景中已取得显著成功，例如目标检测和分类。然而，由于对模型鲁棒性和在资源极度受限设备上的部署有极高要求，这些模型在健康监测领域尚未得到广泛应用。特别是，生物信号（如心电图 ECG）的采集在训练与部署之间存在较大差异，需要域泛化 (DG) 以在不同传感器和患者之间实现鲁棒的分类质量。ECG 的持续监测还需要在便捷的可穿戴设备中执行 DNN 模型，这通过小型化、超低功耗的专用 ECG 加速器实现。然而，将 DG 能力与 ECG 加速器相结合仍是一个挑战。本文对 ECG 加速器和 DG 方法进行了全面综述，并讨论了将两者结合的启示，从而实现多域 ECG 监测。在此背景下，我们提出了一种基于校正层的方法，将 DG 能力部署在边缘。在此，DNN 针对未知域的微调仅限于单层，而其余 DNN 模型保持不变。因此，与传统的全模型微调相比，域泛化的计算复杂度 (CC) 降低，内存开销极小。DNN 模型依赖的 CC 降低超过 2.5 倍，同时在泛化目标域上 F1 分数平均提升超过 20%。总之，本文为健康监测应用中边缘鲁棒 DNN 分类提供了新视角。
引用
@article{arxiv.2503.09661,
title = {Towards Hardware Supported Domain Generalization in DNN-Based Edge Computing Devices for Health Monitoring},
author = {Johnson Loh and Lyubov Dudchenko and Justus Viga and Tobias Gemmeke},
journal= {arXiv preprint arXiv:2503.09661},
year = {2025}
}