深度学习与量化驱动的可穿戴心率监测新方法

本文研究的主题是"基于深度学习和量化技术的可穿戴设备心率监测方法"，发表在2010年的IEEE生物医学仪器和系统学报。随着低成本光电容积描记术（PPG）在腕戴式心率监测设备中的广泛应用，如何克服运动伪影（MA）成为关键问题。传统方法往往依赖手动调整参数，导致泛化能力和适应性有限。 作者Alessio Burrello、Daniele Jaime Pagliari等人提出了创新性的解决方案，他们采用深度时间卷积网络（TCN）进行心率监测，目的是提高模型的准确性并减少对用户手动设置的需求。他们的研究采用了神经架构搜索（NAS）工具和硬件友好的量化器，以生成一系列高效且轻量级的模型。这种方法的优势在于能够自动生成一系列模型，其中最精确的模型在PPG-Dalia数据集上的性能达到了平均绝对误差（MAE）的最低水平，仅4.41次BPM，同时保持低能耗和内存占用。 此外，该研究不仅关注理论模型的优化，还着重于实际应用。他们成功将最精确的量化网络部署在搭载STM32WB55微控制器的嵌入式平台上，验证了其在实时环境中的可行性。最小的内存占用网络仅需1.9kB，每个推理操作能耗仅为1.79mJ，这体现了在保证性能的同时，对资源利用的高度优化。 作者们分别来自意大利博洛尼亚大学、意大利摩德纳大学和瑞士苏黎世联邦理工学院，展示了跨学科合作在推动可穿戴健康监测技术发展中的重要作用。这项研究对于提升可穿戴设备的心率监测精度，以及在嵌入式系统中的实际应用具有重要意义，为未来低成本、高性能的心率监测技术奠定了基础。