在基于DNN的边缘计算设备中实现硬件支持的域泛化,用于健康监测
IEEE transactions on biomedical circuits and systems
|June 24, 2024
概括
这项研究引入了一种用于可穿戴健康监测中强大的深度神经网络 (DNN) 分类的新方法. 它可以在边缘设备上实现域泛化 (DG),减少ECG分析的计算复杂性.
科学领域:
- 生物医学工程 生物医学工程
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 深度神经网络 (DNN) 在分类方面表现出色,但由于强度和资源限制,在健康监测方面面临挑战.
- 域泛化 (DG) 对于不同传感器和患者的心电图分析至关重要,特别是在可穿戴设备上.
- 将DG与超低功率ECG加速器集成为边缘部署是一个重要的技术障碍.
研究的目的:
- 提供ECG加速器和GD方法的全面概述.
- 探索GD和ECG加速器之间的协同作用,以实现多领域健康监测.
- 为DNN在ECG分析中提出一个高效的基于边缘的GD方法.
主要方法:
- 一种使用校正层在边缘设备上部署DG的新方法.
- 将DNN微调限制在单一层,保持核心模型未经修改.
- 对新兴可穿戴系统进行算法-硬件共优化.
主要成果:
- 与完全的DNN微调相比,GD的计算复杂性 (CC) 降低了2.5倍以上.
- 通过拟议的校正层方法实现最小的内存开销.
- 在一般化目标域中,F1平均得分增加了20%以上.
结论:
- 拟议的校正层方法可以在边缘设备上进行强大的DNN分类,用于健康监测.
- 这种方法显著降低了DG的计算复杂性和内存足迹.
- 通过算法硬件共同优化的系统,促进多域心电图监测.
更多相关视频
06:32Author Spotlight: Automated Deep Brain Stimulation for Parkinson's Disease - Exploring the Possibilities and Challenges of Home Monitoring
Published on: July 14, 2023
1.3K
06:37Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention
Published on: December 15, 2023
2.7K
