一个新的轻量级深度学习模型,通过修剪和动态定量化进行优化,以检测可穿戴设备上的结步伐

科学领域:

• 生物医学工程 生物医学工程
• 神经学 神经学
• 人工智能的人工智能

背景情况:

• 步态结 (FoG) 是帕金森病的主要流动性问题,增加了跌倒风险.
• 可穿戴设备需要准确的实时FOG检测,以提高患者的安全性.
• 目前用于FoG检测的深度学习 (DL) 模型通常对资源有限的可穿戴设备来说太大了.

研究的目的:

• 开发一种轻量级的深度学习 (DL) 模型,用于准确有效地检测步态结 (FoG).
• 优化DL模型,以便在具有有限计算资源的可穿戴设备上部署.
• 为了能够在帕金森病患者中持续实时监测FoG.

主要方法:

• 提出了一种新的轻量级DL模型,将卷积神经网络 (CNN) 和封闭的循环单元 (GRU) 与注意力机制相结合.
• 包含的模型优化技术:修剪,动态量化和特征选择方法.
• 对 FoG 检测的最先进的监督 DL 模型进行模型性能评估.

主要成果:

• 在FoG检测方面获得了0.994的高F1得分,超过了现有的模型.
• 拟议的模型使用的参数数量减少了29.9倍,内存的最大使用量只有420.91KB.
• 修剪和量子化将模型大小减少了7.84倍,至44.04KB,而不会损失精度.

结论:

• 开发的轻量级DL模型提供了准确的,实时的FoG检测,适合于可穿戴设备.
• 最小的内存足迹和参数数量使该模型适用于资源有限的应用程序.
• 这项技术为管理FoG和改善帕金森病患者的生活质量提供了可行的解决方案.