基于神经网络架构搜索的ECG分类方法，用于物联网医疗系统中的低功耗边缘部署

《IEEE Transactions on Terahertz Science and Technology》：Neural Architecture Search-Based ECG Classification for Low-Power Edge Deployment in IoT Healthcare Systems

　　

摘要：

目的：针对低功耗可穿戴边缘设备，开发并验证一种以部署为中心的心电图心律失常分类框架，重点在于实现高效的设备端筛查，降低远程心脏监测流程中的通信负担，从而便于将其无缝集成到利用资源受限的可穿戴物联网边缘设备的临床远程监测流程中。方法与步骤：我们设计了一种以临床应用为导向的可穿戴设备与手机之间的工作流程，即由边缘设备在设备端进行心电图分析，然后通过蓝牙低能耗技术将有用的异常总结信息传输至智能手机。与持续传输原始信号相比，这种方法能降低延迟、能耗以及隐私风险。为心律失常检测定制的自动搜索算法会在不同的计算和内存限制条件下探索各种候选架构，以确定适用于嵌入式平台的模型。通过量化与剪枝生成多个可直接部署的模型版本，并在基于ARM Cortex-M33的系统上实现。通过端到端的能耗与数据吞吐量测量来评估系统效率，确保其能够用于长期动态监测。结果：在仅有21.7 kB内存和265k次运算次数的条件下，这些部署后的模型仍能在ARM Cortex-M33上实现实时分析。经过优化后，每次分析的能耗降至5.51毫焦耳。与原始模型相比，内存使用量减少了53.6%，而准确率仅下降了0.5%（从97.9%降至97.4%）。硬件在环测试进一步证实了显著的效率提升，证明了所提出的选择性卸载策略的临床可行性。结论：借助自动搜索算法、以部署为中心的架构搜索、压缩/映射以及嵌入式性能分析，即便在严格的可穿戴设备限制条件下，也能实现准确、实时的心电图分类。这种选择性卸载策略弥补了实验室算法与实际应用之间的差距……

查看更多