机构名称：
¥ 1.0
摘要 — 使用低成本光电容积描记法 (PPG) 传感器，越来越多地在腕戴式设备中执行心率 (HR) 监测。然而，由受试者手臂运动引起的运动伪影 (MA) 会影响基于 PPG 的心率跟踪的性能。这通常通过将 PPG 信号与惯性传感器的加速度测量相结合来解决。不幸的是，大多数此类标准方法都依赖于手动调整的参数，这会削弱它们的泛化能力及其对现场真实数据的适用性。相比之下，基于深度学习的方法尽管具有更好的泛化能力，但被认为过于复杂，无法部署在可穿戴设备上。在这项工作中，我们解决了这些限制，提出了一种设计空间探索方法来自动生成丰富的深度时间卷积网络 (TCN) 系列用于心率监测，所有这些网络都来自单个“种子”模型。我们的流程涉及两个神经架构搜索 (NAS) 工具和一个硬件友好的量化器的级联，它们的组合可以产生高度准确和极其轻量级的模型。在 PPG-Dalia 数据集上进行测试时，我们最准确的模型在平均绝对误差方面创下了新的最高水平。此外，我们将 TCN 部署在具有 STM32WB55 微控制器的嵌入式平台上，证明了它们适合实时执行。我们最准确的量化网络实现了 4.41 每分钟 (BPM) 的平均绝对误差 (MAE)，能耗为 47.65 mJ，内存占用为 412 kB。同时，在我们的流程生成的网络中获得 MAE < 8 BPM 的最小网络的内存占用为 1.9 kB，每次推理仅消耗 1.79 mJ。
Q-PPG：可穿戴设备上基于节能 PPG 的心率监测
主要关键词
相关文件推荐
