在物联网设备中实现TinyML：一项系统性的文献综述

《Journal of Industrial Information Integration》：Implementing TinyML in Internet of Things Devices: A Systematic Literature Review

TinyML在物联网中的应用及挑战研究：通过PRISMA协议系统综述了114项研究，发现TinyML依托深度学习模型（CNN、LSTM等）在医疗、环境监测等领域实现本地化数据处理，显著提升隐私与实时性，但面临安全漏洞、算法偏见及硬件资源限制等挑战。

　　

安德烈斯·费利佩·索利斯·皮诺（Andrés Felipe Solis Pino）|丹尼尔·史蒂文·莫兰·皮萨罗（Daniel Steven Moran Pizarro）|巴勃罗·H·鲁伊斯（Pablo H. Ruiz）|瓦内萨·阿格雷多-德尔加多（Vanessa Agredo-Delgado）|塞萨尔·阿尔贝托·科拉索斯（Cesar Alberto Collazos）|费尔南多·莫雷拉（Fernando Moreira）

科姆法考卡大学工程学院（Facultad de Ingeniería, Corporación Universitaria Comfacauca - Unicomfacauca），地址：哥伦比亚考卡省波帕亚恩（Popayán）190001，4号街8-30号

摘要

物联网（Internet of Things, IoT）处于社会发展的核心地位，并正在经历快速扩张。它与人工智能（Artificial Intelligence, AI）和机器学习（Machine Learning, ML）的结合催生了“微型机器学习”（Tiny Machine Learning, TinyML）技术，该技术能够在设备端直接处理数据，从而提高效率、减少延迟并增强数据隐私保护。尽管TinyML在物联网中的重要性日益凸显，但目前仍缺乏系统性的文献综述来全面阐述其应用、进展及面临的挑战，这阻碍了人们对现有实证证据和最佳实践的清晰理解。为填补这一空白，本研究遵循PRISMA协议并采用多数据库搜索策略，共识别出114篇原始研究文献。研究发现，自2020年以来，TinyML作为物联网的变革性范式发展迅速，应用领域广泛，医疗健康和环境监测是其典型代表。深度学习模型（尤其是卷积神经网络，Convolutional Neural Networks, CNN）在这一领域被频繁使用。主要挑战包括安全漏洞、算法偏见等伦理问题以及与内存和处理能力相关的硬件限制。总体而言，本综述为研究人员、开发者和决策者提供了关于物联网中TinyML现状和前景的宝贵见解。

引言

物联网（Internet of Things, IoT）是指嵌入日常物品中的互连计算设备网络，使这些设备能够交换数据[1]。近年来，其在社会中的重要性呈指数级增长，预计到2029年，将有约365亿台设备通过该技术实现互联互通[2]。物联网在医疗健康、农业、工业自动化和创新城市环境等领域具有广泛应用[3]。同时，它被视为第四次工业革命的关键组成部分，通过实时收集和分析大量数据来优化和自动化各种流程[4]。此外，将物联网与其他关键技术（如人工智能AI和机器学习ML）相结合，正在改变企业的运营方式和决策过程[5]。

物联网与人工智能技术的融合提升了设备的功能，实现了数据收集、自主分析和独立决策，进而催生了“物联网中的人工智能”（AIoT）[6]。其中，作为AI最广泛应用的机器学习（Machine Learning, ML）对物联网产生了深远影响[7]。这种技术组合使得在资源有限的设备（如传感器和微控制器MCU）上实现机器学习模型成为可能[8]，从而诞生了“微型机器学习”（Tiny Machine Learning, TinyML）概念[9]——这种技术允许数据在采集地直接处理，减少了将大量数据传输到云端的需要[10]。这种方法增强了设备的自主性，实现了近乎即时的数据处理和强大的数据隐私保护，降低了对外部网络连接的依赖性，并提升了实时响应能力[8,11]。尽管TinyML仍处于发展阶段，但已在健康参数监测、精准农业和智能家居等领域展现出广阔的应用前景[12,13]。

在这一背景下，针对物联网生态系统中TinyML应用的研究取得了令人鼓舞的成果[12,14,15,16]，但其相关学术文献仍较为匮乏。尽管已有部分综述探讨了物联网中TinyML的特定方面[6,8,11,17]，但缺乏系统性的综合评估，无法全面理解该技术的实施情况、进展及未来研究方向。鉴于该领域的复杂性和快速发展特性，亟需开展深入分析，以明确人工智能技术在物联网设备中的应用和实现方式。

尽管已有众多调查和综述，但仍缺乏系统性的、基于证据的综合性研究来全面解析TinyML的实现机制。为此，本研究遵循PRISMA协议进行了系统性的文献综述，识别出114篇原始研究文献。研究结果表明，自2020年以来，TinyML作为物联网的变革性范式取得了显著进展。其应用领域多样，尤其是在医疗健康和环境监测方面。深度学习模型（尤其是卷积神经网络）在TinyML中得到广泛应用。主要挑战包括安全漏洞、算法偏见等伦理问题以及硬件资源限制（如内存和处理能力）。总之，本综述为相关领域的研究人员、开发者和决策者提供了重要参考。

参考文献综述

物联网中微型机器学习的实现

物联网中微型机器学习（Tiny Machine Learning, TinyML）的研究仍处于活跃发展阶段，部分综述仅探讨了相关技术的基本应用，而系统性研究则较少深入分析。以下是一些与该研究相关的文献：

Dutta和Bharali的综述[11]探讨了TinyML在物联网中的集成情况。

系统文献综述规划

本研究属于系统性文献综述，旨在通过定量和定性分析相关科学文献，系统地总结该领域的实证证据[19]。研究重点关注TinyML技术在物联网设备中的应用，包括所使用的算法、主要部署平台以及该领域存在的局限性（见图1）。

为完成此次综述，我们对PRISMA协议进行了适当调整。

综述实施过程

系统性文献综述的执行严格遵循既定流程。使用Parsifal平台[25]管理整个研究过程，整个过程分为三个基本阶段。

在第一阶段，利用litsearchr计算工具和PICOC评估标准，在指定的文献数据库中进行了文献搜索。

结果与分析

本研究通过多数据库搜索策略，分析了物联网设备中TinyML技术的实现情况。在完成文献综述后，对分析结果进行了定量评估，并通过定性分析回答了研究问题，明确了领域内的空白之处。

结果讨论

本综述详细分析了物联网生态系统中微型机器学习（TinyML）的发展现状。结果表明，TinyML在边缘计算（edge computing）领域具有提升数据分析能力的潜力[70]，且自2020年以来相关研究数量显著增加，进一步凸显了其在物联网中的重要性。深度学习模型（尤其是卷积神经网络CNN和长短期记忆网络LSTM）在该领域占据主导地位[70,49]，反映了当前研究趋势。

有效性评估

本研究分析了物联网中微型机器学习（TinyML）的实现方式，以识别相关模式。在此过程中，我们注意到遵循PRISMA协议中提出的有效性评估标准的重要性：

•

数据库和搜索偏见：搜索策略旨在覆盖七大主流科学数据库，但部分重要研究可能收录在专业性更强或属于灰色文献（如学位论文）的数据库中。

结论与未来工作

本系统文献综述利用PRISMA协议，对物联网中微型机器学习的实现情况进行了全面分析。研究共识别出114篇原始文献，深入探讨了该领域的关键趋势、挑战及未来发展方向。研究表明，微型机器学习正在成为物联网的变革性技术，推动着该领域的创新发展。

作者贡献

概念框架的构建由A.F.S.P.、D.E.M.P.、P.H.R.、F.M.、C.A.C.和V.A.D.共同完成；方法论设计由A.F.S.P.、D.E.M.P.、P.H.R.、F.M.、C.A.C.和V.A.D.负责；软件开发由A.F.S.P.、D.E.M.P.、P.H.R.、F.M.和V.A.D.完成；验证工作由A.F.S.P.、D.E.M.P.、P.H.R.、F.M.、C.A.C.和V.A.D.负责；文本撰写与编辑工作由A.F.S.P.、D.E.M.P.、P.H.R.、F.M.和V.A.D.共同完成。所有作者均审阅并同意最终发布的稿件内容。

数据可用性声明

如需复制或比较研究结果，请访问以下链接：https://acortar.link/urvRxS（数据获取日期：2024年1月19日）。

缩写说明

• AI：人工智能（Artificial Intelligence）
• AIoT：物联网中的人工智能（Artificial Intelligence of Things）
• BLE：低功耗蓝牙（Bluetooth Low Energy）
• CNN：卷积神经网络（Convolutional Neural Network）
• GRU：门控循环单元（Gated Recurrent Unit）
• IoT：物联网（Internet of Things）
• LSTM：长短期记忆网络（Long Short-Term Memory）
• MCU：微控制器单元（Microcontroller Unit）
• ML：机器学习（Machine Learning）
PRISMA：系统性综述与元分析的推荐报告项目（Preferred Reporting Items for Systematic Reviews and Meta-Analyses）
• RNN：循环神经网络（Recurrent Neural Network）
• SBC：单板计算机（Single-Board Computer）
SVM：支持向量机（Support Vector Machine）
• TFLM：适用于微控制器的TensorFlow Lite版本
• TinyML：微型机器学习（Tiny Machine Learning）

CRediT作者贡献说明

安德烈斯·费利佩·索利斯·皮诺（Andrés Felipe Solis Pino）：负责文本撰写与编辑、原始稿件撰写、方法论设计、研究调查及概念框架构建；

丹尼尔·史蒂文·莫兰·皮萨罗（Daniel Steven Moran Pizarro）：负责文本撰写与编辑、原始稿件撰写、方法论设计、研究调查及概念框架构建；

巴勃罗·H·鲁伊斯（Pablo H. Ruiz）：负责文本撰写与编辑、原始稿件撰写、方法论设计、研究调查及概念框架构建；

瓦内萨·阿格雷多-德尔加多（Vanessa Agredo-Delgado）：负责文本撰写与编辑、原始稿件撰写、方法论设计、研究调查及概念框架构建；

作者声明

作者声明不存在可能影响本研究结果的财务利益冲突或个人关系。

致谢

我们衷心感谢哥伦比亚国立开放与远程大学（Universidad Nacional Abierta y a Distancia, UNAD）和科姆法考卡大学集团（Corporación Universitaria Comfacauca - Unicomfacauca）提供的研究支持。同时，也非常感谢哥伦比亚科技创新部（Ministerio de Ciencia, Tecnología e Innovación）通过BPIN 202100010029项目提供的资金支持。此外，我们也感谢伊比利亚美洲大学研究生协会（AUIP - Asociación Universitaria Iberoamericana de Postgrado）在研究实习期间给予的帮助。