
-
生物通官微
陪你抓住生命科技
跳动的脉搏
JEAQ-HAR:面向物联网边缘设备节能的联合熵感知人类活动识别量化框架
《Scientific Reports》:Joint entropy-aware quantization for energy-efficient TinyML human activity recognition on IoT edge devices
【字体: 大 中 小 】 时间:2026年09月22日 来源:Scientific Reports 4.9
编辑推荐:
摘要基于传感器的人类活动识别(HAR)是医疗保健、辅助生活、运动监测、康复以及上下文感知物联网(IoT)系统中的核心任务。然而,在微控制器级边缘设备上部署HAR模型仍具挑战性,因为连续推理必须满足对闪存、SRAM使用量、延迟和能耗的严格约束。传统的TinyML-HAR流程通常
基于传感器的人类活动识别(HAR)是医疗保健、辅助生活、运动监测、康复以及上下文感知物联网(IoT)系统中的核心任务。然而,在微控制器级边缘设备上部署HAR模型仍具挑战性,因为连续推理必须满足对闪存、SRAM使用量、延迟和能耗的严格约束。传统的TinyML-HAR流程通常依赖于均匀的INT8或INT4量化,虽然这降低了计算成本,但假设所有传感器通道、神经层、激活值和活动窗口都需要相同的数值精度。这一假设并不最优,因为可穿戴运动信号表现出异质的信息内容:静态活动通常产生低熵的惯性模式,而动态和过渡活动则产生更丰富且对量化更敏感的信号分布。为了解决这一局限性,本文提出了JEAQ-HAR,一种面向物联网边缘设备节能TinyML HAR的联合熵感知量化框架。JEAQ-HAR在传感器通道、神经层、激活值和输入窗口层面估算熵,以指导HAR推理流程中的分层混合精度分配策略。高熵传感器轴、量化敏感层和复杂运动窗口被分配更高精度,而低熵和冗余组件则被更激进地量化。该框架还引入了熵失真正则化目标,以在量化感知训练期间保持激活分布结构,并采用一种自适应推理策略,根据窗口级运动复杂度选择低位或高精度执行路径。在UCI-HAR、WISDM和PAMAP2上的实验表明,JEAQ-HAR的宏F1分数分别为95.1%、93.1%和90.1%,与FP32主干模型的平均差距仅为0.47个百分点。在三个数据集上,平均序列化部署包大小从FP32的159.6 KB减少到JEAQ-HAR的29.17 KB,相对于FP32序列化包减少了81.7%,而不仅仅是原始可训练权重张量。在微控制器级设备上,JEAQ-HAR将FP32的完整实测端到端推理延迟和能耗从14.0 ms和1.07 mJ降低到5.93 ms和0.47 mJ,包括熵计算、路由、打包精度处理、量化推理和决策生成。这些增益代表端到端工作负载的减少,而非原生INT6算术带来的加速。与均匀INT4量化相比,JEAQ-HAR将平均宏F1提高了4.8个百分点,同时保持紧凑的内存占用和较低的推理成本。消融实验证实,传感器级熵、层级熵、窗口级熵、熵失真正则化和自适应推理各自对识别稳定性或部署效率有所贡献。这些结果表明,将熵引导的精度分配与部署感知的TinyML评估相结合,为在受限的物联网边缘设备上实现准确、紧凑且节能的HAR提供了一种有效且实用的策略。