Fugu-MT 論文翻訳(概要): Energy-efficient Wearable-to-Mobile Offload of ML Inference for PPG-based Heart-Rate Estimation

論文の概要: Energy-efficient Wearable-to-Mobile Offload of ML Inference for PPG-based Heart-Rate Estimation

arxiv url: http://arxiv.org/abs/2306.06129v1
Date: Thu, 8 Jun 2023 10:12:50 GMT
ステータス: 処理完了
システム内更新日: 2023-06-13 21:11:33.015981
Title: Energy-efficient Wearable-to-Mobile Offload of ML Inference for PPG-based Heart-Rate Estimation
Title（参考訳）: PPGを用いた心拍数推定のためのML推論のエネルギー効率向上
Authors: Alessio Burrello, Matteo Risso, Noemi Tomasello, Yukai Chen, Luca Benini, Enrico Macii, Massimo Poncino, Daniele Jahier Pagliari
Abstract要約: 本稿では,スマートウォッチとスマートフォンを併用して心拍トラッキングの性能を最大化するための協調的アプローチを提案する。我々は,スマートウォッチとスマートフォン間の作業負荷をスマートに管理し,エネルギー消費を低減しつつ,平均絶対誤差(MAE)を低く維持できることを実証した。
参考スコア（独自算出の注目度）: 21.85374824138866
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Modern smartwatches often include photoplethysmographic (PPG) sensors to measure heartbeats or blood pressure through complex algorithms that fuse PPG data with other signals. In this work, we propose a collaborative inference approach that uses both a smartwatch and a connected smartphone to maximize the performance of heart rate (HR) tracking while also maximizing the smartwatch's battery life. In particular, we first analyze the trade-offs between running on-device HR tracking or offloading the work to the mobile. Then, thanks to an additional step to evaluate the difficulty of the upcoming HR prediction, we demonstrate that we can smartly manage the workload between smartwatch and smartphone, maintaining a low mean absolute error (MAE) while reducing energy consumption. We benchmark our approach on a custom smartwatch prototype, including the STM32WB55 MCU and Bluetooth Low-Energy (BLE) communication, and a Raspberry Pi3 as a proxy for the smartphone. With our Collaborative Heart Rate Inference System (CHRIS), we obtain a set of Pareto-optimal configurations demonstrating the same MAE as State-of-Art (SoA) algorithms while consuming less energy. For instance, we can achieve approximately the same MAE of TimePPG-Small (5.54 BPM MAE vs. 5.60 BPM MAE) while reducing the energy by 2.03x, with a configuration that offloads 80\% of the predictions to the phone. Furthermore, accepting a performance degradation to 7.16 BPM of MAE, we can achieve an energy consumption of 179 uJ per prediction, 3.03x less than running TimePPG-Small on the smartwatch, and 1.82x less than streaming all the input data to the phone.
Abstract（参考訳）: 現代のスマートウォッチには、ppgデータを他の信号と融合する複雑なアルゴリズムによって心拍数や血圧を測定するためのppg(photoplethysmography)センサーがあることが多い。本研究では,スマートウォッチと接続スマートフォンの両方を用いた協調推論手法を提案し,心拍数(HR)トラッキングの性能を最大化するとともに,スマートウォッチのバッテリー寿命を最大化する。特に私たちはまず,オンデバイスでhrトラッキングを実行するか,モバイルに作業をオフロードするかのトレードオフを分析します。そして,今後の人事予測の難しさを評価する新たなステップにより,スマートウォッチとスマートフォン間の作業負荷をスマートに管理し,平均絶対誤差(MAE)を低く抑えつつエネルギー消費を低減できることを示した。我々は、STM32WB55 MCUとBluetooth Low-Energy (BLE)通信を含むカスタムスマートウォッチのプロトタイプと、スマートフォンのプロキシとしてRaspberry Pi3をベンチマークした。協調心拍数推定システム(CHRIS)を用いて、より少ないエネルギーを消費しながら、ステート・オブ・アート(SoA)アルゴリズムと同じMAEを示すパレート最適構成を得る。例えば、TimePPG-Small (5.54 BPM MAE vs. 5.60 BPM MAE) のほぼ同じ MAE を達成でき、そのエネルギーを2.03倍に削減できる。さらに、MAEの7.16BPMの性能劣化を受け入れることで、予測あたり179 uJのエネルギー消費を達成でき、スマートウォッチ上でTimePPG-Smallを実行するよりも3.03倍、全入力データを携帯電話にストリーミングするより1.82倍少ない。

関連論文リスト

Temporal Correlation Meets Embedding: Towards a 2nd Generation of JDE-based Real-Time Multi-Object Tracking [52.04679257903805]
共同検出・埋め込み(JDE)トラッカーは多目的追跡(MOT)タスクにおいて優れた性能を示した。 TCBTrackという名前のトラッカーは、複数の公開ベンチマークで最先端のパフォーマンスを実現しています。
論文参考訳（メタデータ） (2024-07-19T07:48:45Z)
Enabling High-Sparsity Foundational Llama Models with Efficient Pretraining and Deployment [56.44025052765861]
大規模言語モデル(LLM)は自然言語処理(NLP)に革命をもたらしたが、そのサイズは計算のボトルネックを生み出している。そこで本研究では,高性能LLMの高精度かつ疎結合な基本バージョンを作成するための新しいアプローチを提案する。スパース量子化LLaMAの最大8.6倍のCPU上での総高速化を示す。
論文参考訳（メタデータ） (2024-05-06T16:03:32Z)
Ultra-Efficient On-Device Object Detection on AI-Integrated Smart Glasses with TinyissimoYOLO [20.11222151005929]
本稿では,新しい低消費電力プロセッサを活用した小型機械学習アルゴリズムの設計と実装について述べる。リアルタイム物体検出におけるスマートグラスのエネルギー効率と遅延効率について検討する。スマートグラスのプロトタイプの評価では、TinyissimoYOLOの17msの推論遅延と1回の推論あたりのエネルギー消費量が1.59mJであることが示されている。
論文参考訳（メタデータ） (2023-11-02T08:01:49Z)
LFPS-Net: a lightweight fast pulse simulation network for BVP estimation [4.631302854901082]
リモート光胸腺撮影に基づく心拍推定は、健康モニタリングや疲労検出など、いくつかの特定のシナリオにおいて重要な役割を果たす。既存の方法は、30秒の顔ビデオの最終結果として、複数の重なり合うビデオクリップの予測HRの平均を取ることにコミットする。本稿では,高速パルスシミュレーションネットワーク(LFPS-Net)を提案する。
論文参考訳（メタデータ） (2022-06-25T05:24:52Z)
ETAD: A Unified Framework for Efficient Temporal Action Detection [70.21104995731085]
時間的行動検出(TAD)のようなトリミングされていないビデオ理解は、しばしば計算資源に対する膨大な需要の苦痛に悩まされる。我々は、効率的なエンド・ツー・エンドの時間的行動検出(ETAD)のための統合されたフレームワークを構築している。 ETADはTHUMOS-14とActivityNet-1.3の両方で最先端のパフォーマンスを実現している。
論文参考訳（メタデータ） (2022-05-14T21:16:21Z)
Federated Learning for Energy-limited Wireless Networks: A Partial Model Aggregation Approach [79.59560136273917]
デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックであるまず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
論文参考訳（メタデータ） (2022-04-20T19:09:52Z)
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)
Q-PPG: Energy-Efficient PPG-based Heart Rate Monitoring on Wearable Devices [22.7371904884504]
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。
論文参考訳（メタデータ） (2022-03-24T10:50:33Z)
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)
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)
MobileDets: Searching for Object Detection Architectures for Mobile Accelerators [61.30355783955777]
逆ボトルネック層は、モバイルデバイス上の最先端のオブジェクト検出モデルにおいて、主要なビルディングブロックとなっている。通常の畳み込みは、アクセラレーターにおけるオブジェクト検出の遅延精度トレードオフを高める強力なコンポーネントである。我々は、モバイルアクセラレーター全体で最先端の成果を得られるオブジェクト検出モデル、MobileDetsのファミリーを得る。
論文参考訳（メタデータ） (2020-04-30T00:21:30Z)

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。