論文の概要: Optimization and Deployment of Deep Neural Networks for PPG-based Blood Pressure Estimation Targeting Low-power Wearables
- arxiv url: http://arxiv.org/abs/2409.07485v1
- Date: Tue, 3 Sep 2024 15:48:43 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-15 05:01:16.806827
- Title: Optimization and Deployment of Deep Neural Networks for PPG-based Blood Pressure Estimation Targeting Low-power Wearables
- Title(参考訳): 低出力ウェアラブルをターゲットにしたPSGに基づく血圧推定のためのディープニューラルネットワークの最適化と展開
- Authors: Alessio Burrello, Francesco Carlucci, Giovanni Pollo, Xiaying Wang, Massimo Poncino, Enrico Macii, Luca Benini, Daniele Jahier Pagliari,
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 18.038842995948034
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: PPG-based Blood Pressure (BP) estimation is a challenging biosignal processing task for low-power devices such as wearables. State-of-the-art Deep Neural Networks (DNNs) trained for this task implement either a PPG-to-BP signal-to-signal reconstruction or a scalar BP value regression and have been shown to outperform classic methods on the largest and most complex public datasets. However, these models often require excessive parameter storage or computational effort for wearable deployment, exceeding the available memory or incurring too high latency and energy consumption. In this work, we describe a fully-automated DNN design pipeline, encompassing HW-aware Neural Architecture Search (NAS) and Quantization, thanks to which we derive accurate yet lightweight models, that can be deployed on an ultra-low-power multicore System-on-Chip (SoC), GAP8. Starting from both regression and signal-to-signal state-of-the-art models on four public datasets, we obtain optimized versions that achieve up to 4.99% lower error or 73.36% lower size at iso-error. Noteworthy, while the most accurate SoA network on the largest dataset can not fit the GAP8 memory, all our optimized models can; our most accurate DNN consumes as little as 0.37 mJ while reaching the lowest MAE of 8.08 on Diastolic BP estimation.
- Abstract(参考訳): PPGをベースとした血圧推定(BP)は、ウェアラブルなどの低消費電力デバイスにおいて難しい生体信号処理タスクである。
このタスクのために訓練された最先端のDeep Neural Networks(DNN)は、PG-to-BP信号-信号-信号再構成またはスカラーBP値回帰を実装しており、最大かつ最も複雑な公開データセット上で古典的な手法より優れていることが示されている。
しかしながら、これらのモデルは、利用可能なメモリを超えるか、高レイテンシとエネルギー消費をもたらす、ウェアラブルデプロイメントのための過剰なパラメータストレージや計算作業を必要とすることが多い。
本研究では,超低消費電力マルチコアシステム・オン・チップ(SoC)のGAP8上に展開可能な,高精度で軽量なモデルを実現するため,HW対応ニューラルアーキテクチャ探索(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。
4つのパブリックデータセット上での回帰モデルと信号-信号状態モデルの両方から始め、最大4.99%のエラー、73.36%のエラーを達成できる最適化されたバージョンを得る。
注目すべきなのは、最大のデータセット上の最も正確なSoAネットワークはGAP8メモリに適合しないことだ。
関連論文リスト
- Network architecture search of X-ray based scientific applications [4.8287663496299755]
X線および電子回折に基づく顕微鏡は、ブラッグピーク検出とポチグラフィーを用いて原子分解能で3Dイメージングを行う。
近年、ディープニューラルネットワークの使用により、既存の最先端アプローチが改善されている。
論文 参考訳(メタデータ) (2024-04-16T16:09:38Z) - NeuralFuse: Learning to Recover the Accuracy of Access-Limited Neural
Network Inference in Low-Voltage Regimes [52.51014498593644]
ディープラーニング(Deep Neural Network, DNN)は、機械学習においてユビキタスになったが、そのエネルギー消費は依然として注目すべき問題である。
我々は、低電圧状態における精度とエネルギーのトレードオフに対処する新しいアドオンモジュールであるNeuralFuseを紹介する。
1%のビットエラー率で、NeuralFuseはメモリアクセスエネルギーを最大24%削減し、精度を最大57%向上させることができる。
論文 参考訳(メタデータ) (2023-06-29T11:38:22Z) - 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) - A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。
モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。
本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
論文 参考訳(メタデータ) (2023-03-02T21:48:22Z) - Atrial Fibrillation Detection Using Weight-Pruned, Log-Quantised
Convolutional Neural Networks [25.160063477248904]
心電図信号から心房細動を検出する畳み込みニューラルネットワークモデルを開発した。
このモデルは、限られた可変長の入力データで訓練されているにもかかわらず、高い性能を示す。
最終モデルは91.1%のモデル圧縮比を達成し、高いモデル精度は91.7%、損失は1%未満であった。
論文 参考訳(メタデータ) (2022-06-14T11:47:04Z) - 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) - BottleFit: Learning Compressed Representations in Deep Neural Networks
for Effective and Efficient Split Computing [48.11023234245863]
圧縮速度が強い場合でも高い精度を達成するための新しいトレーニング戦略を含む,BottleFitと呼ばれる新しいフレームワークを提案する。
BottleFitは77.1%のデータ圧縮を実現し、ImageNetデータセットでは最大で0.6%の精度でロスする。
本稿では,BottleFitが消費電力とレイテンシを最大で49%,(w.r.t.)ローカルコンピューティングでは89%,エッジオフロードでは37%,W.r.t.エッジオフロードでは55%削減することを示した。
論文 参考訳(メタデータ) (2022-01-07T22:08:07Z) - LCS: Learning Compressible Subspaces for Adaptive Network Compression at
Inference Time [57.52251547365967]
本稿では,ニューラルネットワークの「圧縮可能な部分空間」を訓練する手法を提案する。
構造的・非構造的空間に対する推定時間における微粒な精度・効率のトレードオフを任意に達成するための結果を示す。
我々のアルゴリズムは、可変ビット幅での量子化にまで拡張し、個別に訓練されたネットワークと同等の精度を実現する。
論文 参考訳(メタデータ) (2021-10-08T17:03:34Z) - ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked
Models [56.21470608621633]
本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。
提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。
生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
論文 参考訳(メタデータ) (2021-05-07T11:39:05Z) - Fast convolutional neural networks on FPGAs with hls4ml [0.22756183402372013]
FPGAに超低遅延低電力ディープニューラルネットワークをデプロイするための自動化ツールを紹介します。
最新のモデルパフォーマンスを維持しながら、畳み込みアーキテクチャを使用して5,mu$sの推論レイテンシを実現する方法をデモします。
論文 参考訳(メタデータ) (2021-01-13T14:47:11Z) - HiPPO: Recurrent Memory with Optimal Polynomial Projections [93.3537706398653]
本稿では,連続信号と離散時系列をベースに投影してオンライン圧縮するための一般フレームワーク(HiPPO)を提案する。
過去の各時間ステップの重要性を示す尺度が与えられた場合、HiPPOは自然なオンライン関数近似問題に対する最適解を生成する。
このフォーマルなフレームワークは、すべての履歴を記憶するために時間をかけてスケールする新しいメモリ更新メカニズム(HiPPO-LegS)を提供する。
論文 参考訳(メタデータ) (2020-08-17T23:39:33Z)
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。