論文の概要: Q-PPG: Energy-Efficient PPG-based Heart Rate Monitoring on Wearable Devices

• arxiv url: http://arxiv.org/abs/2203.14907v1
• Date: Thu, 24 Mar 2022 10:50:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-03 07:58:02.821075
• Title: Q-PPG: Energy-Efficient PPG-based Heart Rate Monitoring on Wearable Devices
• Title（参考訳）: Q-PPG:ウェアラブルデバイスにおけるエネルギー効率PPGによる心拍モニタリング
• Authors: Alessio Burrello, Daniele Jahier Pagliari, Matteo Risso, Simone Benatti, Enrico Macii, Luca Benini, Massimo Poncino
• Abstract要約: 本稿では、人事監視のための深層時間畳み込みネットワーク(TCN)のリッチなファミリーを自動生成する設計手法を提案する。 私たちの最も正確なモデルは、平均絶対誤差で新しい最先端のモデルを設定します。 我々は,STM32WB55マイクロコントローラを内蔵した組み込みプラットフォーム上にTCNを配置し,リアルタイム実行に適していることを示す。
• 参考スコア（独自算出の注目度）: 22.7371904884504
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Hearth Rate (HR) monitoring is increasingly performed in wrist-worn devices using low-cost photoplethysmography (PPG) sensors. However, Motion Artifacts (MAs) caused by movements of the subject's arm affect the performance of PPG-based HR tracking. This is typically addressed coupling the PPG signal with acceleration measurements from an inertial sensor. Unfortunately, most standard approaches of this kind rely on hand-tuned parameters, which impair their generalization capabilities and their applicability to real data in the field. In contrast, methods based on deep learning, despite their better generalization, are considered to be too complex to deploy on wearable devices. In this work, we tackle these limitations, proposing a design space exploration methodology to automatically generate a rich family of deep Temporal Convolutional Networks (TCNs) for HR monitoring, all derived from a single "seed" model. Our flow involves a cascade of two Neural Architecture Search (NAS) tools and a hardware-friendly quantizer, whose combination yields both highly accurate and extremely lightweight models. When tested on the PPG-Dalia dataset, our most accurate model sets a new state-of-the-art in Mean Absolute Error. Furthermore, we deploy our TCNs on an embedded platform featuring a STM32WB55 microcontroller, demonstrating their suitability for real-time execution. Our most accurate quantized network achieves 4.41 Beats Per Minute (BPM) of Mean Absolute Error (MAE), with an energy consumption of 47.65 mJ and a memory footprint of 412 kB. At the same time, the smallest network that obtains a MAE < 8 BPM, among those generated by our flow, has a memory footprint of 1.9 kB and consumes just 1.79 mJ per inference.
• Abstract（参考訳）: ヒースレート(HR)モニタリングは、低コスト光胸腺撮影(PPG)センサーを用いた手首縫い装置でますます行われている。 しかし、被験者の腕の動きによって引き起こされる運動アーチファクト(MA)は、PDGベースのHRトラッキングの性能に影響を及ぼす。 これは通常、慣性センサーからの加速度測定とPSG信号の結合に対処する。 残念ながら、この種の標準的なアプローチは手動のパラメータに頼っているため、一般化能力と現場の実際のデータに適用できない。 対照的に、ディープラーニングに基づく手法は、より良い一般化にもかかわらず、ウェアラブルデバイスにデプロイするには複雑すぎると考えられている。 本研究では、これらの制約に対処し、単一の「種」モデルから派生したHR監視のための深層時間畳み込みネットワーク(TCN)のリッチなファミリーを自動生成する設計空間探索手法を提案する。 私たちのフローには、2つのneural architecture search(nas)ツールとハードウェアフレンドリーな量子化器のカスケードが含まれています。 PPG-Daliaデータセットでテストすると、最も正確なモデルはMean Absolute Errorで新しい最先端のモデルを設定します。 さらに,STM32WB55マイクロコントローラを内蔵した組込みプラットフォーム上にTCNを配置し,リアルタイム実行に適していることを示す。 我々の最も正確な量子化されたネットワークは、平均絶対誤差(MAE)の4.41 Beats Per Minute(BPM)を実現し、エネルギー消費量は47.65 mJ、メモリフットプリントは412 kBである。 同時に、私たちのフローによって生成されるうち、MAE < 8 BPM を得る最小のネットワークは、メモリフットプリントが 1.9 kB で、推論あたり 1.79 mJ しか消費しない。

関連論文リスト

• Optimization and Deployment of Deep Neural Networks for PPG-based Blood Pressure Estimation Targeting Low-power Wearables [18.038842995948034]
  PPG-to-BP信号と信号の再構成やスカラーBP値の回帰のために訓練された最先端のDeep Neural Networks(DNN)は、公開データセット上での古典的手法よりも優れていることが示されている。 我々は,超低消費電力のSystem-on-Chip (SoC) GAP8上に展開可能な,HW対応ニューラルアーキテクチャサーチ(NAS)と量子化を含む完全自動DNN設計パイプラインについて述べる。
  論文  参考訳（メタデータ） (2024-09-03T15:48:43Z)
• DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
  本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。 フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-06-05T06:18:03Z)
• Tiny-PPG: A Lightweight Deep Neural Network for Real-Time Detection of Motion Artifacts in Photoplethysmogram Signals on Edge Devices [6.352499671581954]
  光胸腺X線信号は、現実の環境での動き人工物によって容易に汚染される。 この研究は、IoTデバイス上で正確なリアルタイムPSGアーティファクトセグメンテーションを実現するために、Tiny-edgeと呼ばれる軽量なディープニューラルネットワークを提案した。 Tiny-edgeは、リアルタイムPSGアーティファクト検出のために、STM32組み込みシステムにうまくデプロイされた。
  論文  参考訳（メタデータ） (2023-05-05T06:17:57Z)
• PPG-based Heart Rate Estimation with Efficient Sensor Sampling and Learning Models [6.157700936357335]
  ウェアラブルデバイスに埋め込まれた光胸部センサーは、心拍数(HR)を高精度に推定することができる。 しかしながら, PPGセンサを用いたHR推定を組込みデバイスに適用することは, エネルギー集中型高周波PSGサンプリングによる課題に直面している。 本研究では,低消費電力・資源制約の組込みデバイスに適したHR推定手法を提案する。
  論文  参考訳（メタデータ） (2023-03-23T19:47:36Z)
• Ultra-low Power Deep Learning-based Monocular Relative Localization Onboard Nano-quadrotors [64.68349896377629]
  この研究は、2つのピアナノドロンのディープニューラルネットワーク(DNN)を介して、単分子の相対的な局所化に対処する、新しい自律的なエンドツーエンドシステムを示す。 超制約ナノドローンプラットフォームに対処するため,データセットの増大,量子化,システム最適化などを含む垂直統合フレームワークを提案する。 実験の結果,DNNは低分解能モノクローム画像のみを用いて最大2mの距離で10cmのターゲットナノドローンを正確に局在させることができることがわかった。
  論文  参考訳（メタデータ） (2023-03-03T14:14:08Z)
• Deep Learning for Real Time Satellite Pose Estimation on Low Power Edge TPU [58.720142291102135]
  本稿では,ニューラルネットワークアーキテクチャを利用したポーズ推定ソフトウェアを提案する。 我々は、低消費電力の機械学習アクセラレーターが宇宙での人工知能の活用を可能にしていることを示す。
  論文  参考訳（メタデータ） (2022-04-07T08:53:18Z)
• Robust and Energy-efficient PPG-based Heart-Rate Monitoring [22.7371904884504]
  手首に装着されたPSGセンサと軽量なアルゴリズムを組み合わせることで、MCU上で動作し、非侵襲的で快適な監視を可能にする。 最近の最先端のアルゴリズムは、PPGと慣性信号を組み合わせて、モーションアーティファクトの効果を緩和している。 ハードウェアフレンドリーな時相畳み込みネットワーク(TCN)をPPGベースの心推定に利用することを提案する。
  論文  参考訳（メタデータ） (2022-03-28T13:38:28Z)
• Embedding Temporal Convolutional Networks for Energy-Efficient PPG-Based Heart Rate Monitoring [17.155316991045765]
  Photoplethysmography (volution) センサーは非侵襲的で快適な心拍数モニタリングを可能にする。 モーションアーティファクト(MA)はモニタリングの精度に大きく影響を与え、皮膚とセンサーのインターフェースに高いばらつきをもたらす。 PPGに基づく人事推定のための計算軽量で頑健な深層学習手法を提案する。 PPGDaliaのMean Absolute Error(MAE)の3.84 Beats per Minute(BPM)という2つのベンチマークデータセットに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2022-03-01T17:04:28Z)
• Multiscale Spatio-Temporal Graph Neural Networks for 3D Skeleton-Based Motion Prediction [92.16318571149553]
  本稿では,次世代の3次元骨格型人間のポーズを予測するため,マルチスケール・テンポラルグラフニューラルネットワーク(MST-GNN)を提案する。 MST-GNNは、短期および長期の動作予測において最先端の手法より優れている。
  論文  参考訳（メタデータ） (2021-08-25T14:05:37Z)
• FastFlowNet: A Lightweight Network for Fast Optical Flow Estimation [81.76975488010213]
  ディセンス光学フロー推定は、多くのロボットビジョンタスクで重要な役割を果たしています。 現在のネットワークはしばしば多くのパラメータを占有し、計算コストがかかる。 提案したFastFlowNetは、周知の粗大なやり方で、以下のイノベーションで機能する。
  論文  参考訳（メタデータ） (2021-03-08T03:09:37Z)
• Gaze-Sensing LEDs for Head Mounted Displays [73.88424800314634]
  仮想現実(VR)アプリケーションのための低消費電力の視線トラッカーを作成するために,LEDのセンサ機能を利用する。 我々は,視線推定法が複雑な次元削減技術を必要としないことを示した。
  論文  参考訳（メタデータ） (2020-03-18T23:03:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。