論文の概要: End-to-end Automated Deep Neural Network Optimization for PPG-based Blood Pressure Estimation on Wearables
- arxiv url: http://arxiv.org/abs/2604.10117v1
- Date: Sat, 11 Apr 2026 09:21:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-14 20:13:15.853207
- Title: End-to-end Automated Deep Neural Network Optimization for PPG-based Blood Pressure Estimation on Wearables
- Title（参考訳）: PPGに基づくウェアラブルの血圧推定のためのエンドツーエンドのディープニューラルネットワーク最適化
- Authors: Francesco Carlucci, Giovanni Pollo, Xiaying Wang, Massimo Poncino, Enrico Macii, Luca Benini, Sara Vinco, Alessio Burrello, Daniele Jahier Pagliari,
- Abstract要約: 光胸腺造影法(BP)による血圧推定は、特にリソース制約のウェアラブルデバイスにおいて難しい課題である。
最近のディープニューラルネットワーク(DNN)はBP波形の再構成やBP値の直接回帰によって高いBP推定精度を実現しているが、その大きなメモリ、計算、エネルギー要求はウェアラブルへの展開を妨げる。
この研究は、ハードウェア対応ニューラルアーキテクチャサーチ(NAS)、プルーニング、混合精度サーチ(MPS)を組み合わせて、超低消費電力マルチコアシステムオンチップ(SoC)に最適化された正確かつコンパクトなBP予測モデルを生成する完全な自動設計パイプラインを導入する。
- 参考スコア（独自算出の注目度）: 14.745583283737211
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Photoplethysmography (PPG)-based blood pressure (BP) estimation is a challenging task, particularly on resource-constrained wearable devices. However, fully on-board processing is desirable to ensure user data confidentiality. Recent deep neural networks (DNNs) have achieved high BP estimation accuracy by reconstructing BP waveforms or directly regressing BP values, but their large memory, computation, and energy requirements hinder deployment on wearables. This work introduces a fully automated DNN design pipeline that combines hardware-aware neural architecture search (NAS), pruning, and mixed-precision search (MPS) to generate accurate yet compact BP prediction models optimized for ultra-low-power multicore systems-on-chip (SoCs). Starting from state-of-the-art baseline models on four public datasets, our optimized networks achieve up to 7.99% lower error with a 7.5x parameter reduction, or up to 83x fewer parameters with negligible accuracy loss. All models fit within 512 kB of memory on our target SoC (GreenWaves' GAP8), requiring less than 55 kB and achieving an average inference latency of 142 ms and energy consumption of 7.25 mJ. Patient-specific fine-tuning further improves accuracy by up to 64%, enabling fully autonomous, low-cost BP monitoring on wearables.
- Abstract（参考訳）: 光胸腺撮影(PPG)に基づく血圧推定(BP)は、特に資源に制約のあるウェアラブルデバイスにおいて難しい課題である。
しかし、ユーザデータの機密性を確保するためには、完全なオンボード処理が望ましい。
最近のディープニューラルネットワーク(DNN)はBP波形の再構成やBP値の直接回帰によって高いBP推定精度を実現しているが、その大きなメモリ、計算、エネルギー要求はウェアラブルへの展開を妨げる。
この研究は、ハードウェア対応ニューラルアーキテクチャサーチ(NAS)、プルーニング、混合精度サーチ(MPS)を組み合わせた完全に自動化されたDNN設計パイプラインを導入し、超低消費電力マルチコアシステムオンチップ(SoC)に最適化された正確かつコンパクトなBP予測モデルを生成する。
4つの公開データセット上での最先端のベースラインモデルから始めると、最適化されたネットワークは7.5倍のパラメータ削減で最大7.99%のエラーを、無視可能な精度損失で最大83倍のパラメータを達成できる。
すべてのモデルは、ターゲットのSoC(GreenWavesのGAP8)のメモリ512kB以内に収まり、55kB未満で142msの平均推論遅延と7.25mJのエネルギー消費を達成する。
患者固有の微調整により精度は最大64%向上し、ウェアラブル上で完全に自律的で低コストなBPモニタリングが可能になる。
関連論文リスト
- Efficient FPGA-accelerated Convolutional Neural Networks for Cloud Detection on CubeSats [0.5420492913071214]
資源制約付きCubeSatミッションにおけるクラウド検出のためのFPGA加速畳み込みニューラルネットワーク(CNN)モデルの実装について述べる。
本研究では,ピクセルワイド(Pixel-NetとPatch-Net)と画像ワイド(U-NetとScene-Net)の両方のモデルを用いて,精度,レイテンシ,モデル複雑性のトレードオフをベンチマークする。
全てのモデルはFPGA後の高精度な統合を保ち、量子化とプルーニング後に最大精度がわずか0.6%低下した。
論文 参考訳（メタデータ） (2025-04-04T19:32:47Z) - Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [46.36100528165335]
光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。
しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。
本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。
本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
論文 参考訳（メタデータ） (2025-02-10T13:33:12Z) - 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) - Quantized Neural Networks for Low-Precision Accumulation with Guaranteed
Overflow Avoidance [68.8204255655161]
本稿では,推定時のアキュムレータの精度を下げる際に,数値オーバーフローを回避する量子化学習アルゴリズムを提案する。
本手法は,浮動小数点点ベースラインに対するモデル精度を維持しつつ,アキュムレータの精度を低減できることを示す。
論文 参考訳（メタデータ） (2023-01-31T02:46:57Z) - 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) - BP-Net: Cuff-less, Calibration-free, and Non-invasive Blood Pressure
Estimation via a Generic Deep Convolutional Architecture [16.36324484557899]
本稿では,連続的および計算不要な血圧(BP)モニタリングのための堅牢で高精度な処理ソリューションの開発に焦点をあてる。
提案するフレームワークは、より効率的なメモリを提供する新しい畳み込みアーキテクチャである。
提案したBP-Netアーキテクチャは、正準リカレントネットワークよりも正確であり、BP推定タスクの長期ロバスト性を高める。
論文 参考訳（メタデータ） (2021-12-31T02:34:39Z) - BP-Net: Efficient Deep Learning for Continuous Arterial Blood Pressure
Estimation using Photoplethysmogram [0.06524460254566904]
血圧は心臓血管疾患や脳卒中に最も影響を及ぼすバイオマーカーの1つである。
連続BPモニタリングへの現在のカフレスアプローチは、フォトプレソグラム信号を取り巻く明示的な特徴工学を含む。
本稿では,PPG波形を用いてSystolic BP (SBP), Mean Average Pressure (MAP), Diastolic BP (DBP) を中間連続動脈BP (ABP) 波形で推定する。
論文 参考訳（メタデータ） (2021-11-29T14:43:58Z) - Non-Parametric Adaptive Network Pruning [125.4414216272874]
アルゴリズム設計を簡略化するノンパラメトリックモデリングを導入。
顔認識コミュニティに触発されて,メッセージパッシングアルゴリズムを用いて,適応的な例示数を求める。
EPrunerは「重要」フィルタを決定する際にトレーニングデータへの依存を壊します。
論文 参考訳（メタデータ） (2021-01-20T06:18:38Z) - Sound Event Detection with Binary Neural Networks on Tightly
Power-Constrained IoT Devices [20.349809458335532]
サウンドイベント検出(SED)は、消費者およびスマートシティアプリケーションのホットトピックです。
Deep Neural Networksに基づく既存のアプローチは非常に効果的ですが、メモリ、電力、スループットの面で非常に要求が高いです。
本稿では,高エネルギー効率なRISC-V(8+1)コアGAP8マイクロコントローラと,極端量子化と小プリントバイナリニューラルネットワーク(BNN)の組み合わせについて検討する。
論文 参考訳（メタデータ） (2021-01-12T12:38:23Z) - Belief Propagation Neural Networks [103.97004780313105]
信念伝播ニューラルネットワーク(BPNN)を紹介する。
BPNNは因子グラフ上で動作し、信念伝播(BP)を一般化する
BPNNはIsingモデル上で1.7倍高速に収束し、より厳密な境界を提供することを示す。
挑戦的なモデルカウント問題に関して、BPNNは最先端の手作り手法の100倍の速さを推定する。
論文 参考訳（メタデータ） (2020-07-01T07:39:51Z)
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。