DeepBindi:一个端到端的恐惧检测系统,优化为极端的边缘部署
IEEE journal of biomedical and health informatics
|July 10, 2025
概括
这项研究介绍了一种新的恐惧识别系统,使用生理信号用于极端端设备. 这种新的方法实现了80%的f1得分和74%的准确性,使得现实世界可穿戴式情感识别.
科学领域:
- 情感计算和情绪识别.
- 机器学习和深度学习在人机交互中的应用.
背景情况:
- 现有的情绪识别方法与可穿戴系统的极端边缘限制作斗争.
- 在现实世界中部署情感计算需要高效,低功耗的解决方案.
研究的目的:
- 为极端环境引入一种全新的端到端恐惧识别系统.
- 开发一个可以部署在资源有限的可穿戴设备中的系统.
主要方法:
- 利用生理信号来识别恐惧.
- 结合了先进的功能工程与轻量级的1D-CNN模型.
- 集成的手工制作功能与深度学习卷积技术.
主要成果:
- 在WEMAC数据集上实现了80%的f1分数和74%的准确性.
- 与之前的模型相比,表现出显著的性能改进 (11.6%的精度,26.4%的F1分数).
- 在超低功耗的ARM Cortex-M4架构 (16mW功耗,496 ms推断时间) 上验证了模型.
结论:
- 拟议的系统适合在极端端设备中实现可持续的深度学习.
- 在可穿戴技术中实现实时恐惧识别.
- 推进了用于实际,低功耗应用的情感计算领域.
