Tiny-PPG: A Lightweight Deep Neural Network for Real-Time Detection of Motion Artifacts in Photoplethysmogram Signals on Edge Devices

要約

タイトル：Tiny-PPG：エッジデバイスにおける光プレソリスモグラム信号のリアルタイムモーションアーティファクト検出のための軽量ディープニューラルネットワーク

要約：

– PPG信号は、心血管健康監視のためのインターネット・オブ・シングス(IoT)ベースのウェアラブルおよびスマートヘルスデバイスで広く使用されているが、実世界の設定でもモーションアーティファクトによって容易に汚染される。
– この研究では、IoTエッジデバイス上で正確でリアルタイムなPPGアーティファクトセグメンテーションを行うための軽量な深層ニューラルネットワークであるTiny-PPGを提案した。
– モデルは、15人の被験者がウォッチ型デバイス（Empatica E4）を使用して様々な日常活動中に複雑な特徴を持ったアーティファクトを特徴とした公共データセット、PPG DaLiAで訓練およびテストされた。
– モデル構造、トレーニング方法、および損失関数は、リソース制約のある組み込みデバイスにおけるリアルタイムPPGアーティファクト検出の検出精度と速度のバランスを図るために特別に設計された。
– モデルは、深い分離可能畳み込みおよびアトラウス空間ピラミッドプーリングモジュールを用いて、多スケール特徴表現におけるモデルサイズと能力を最適化するために設計されている。
– さらに、コントラスティブ損失も特徴埋め込みをさらに最適化するために利用されている。
– モデルのプリンティングを追加することで、Tiny-PPGは19,726のモデルパラメータ（0.15メガバイト）しか持たずに、87.8％という最高水準の検出精度を達成し、STM32組み込みシステムにリアルタイムPPGアーティファクト検出を適用することに成功した。
– したがって、この研究は、PPGアーティファクト検出におけるリソース制約のあるIoTスマートヘルスデバイスに対する有効な解決策を提供する。

要約(オリジナル)

Photoplethysmogram (PPG) signals are easily contaminated by motion artifacts in real-world settings, despite their widespread use in Internet-of-Things (IoT) based wearable and smart health devices for cardiovascular health monitoring. This study proposed a lightweight deep neural network, called Tiny-PPG, for accurate and real-time PPG artifact segmentation on IoT edge devices. The model was trained and tested on a public dataset, PPG DaLiA, which featured complex artifacts with diverse lengths and morphologies during various daily activities of 15 subjects using a watch-type device (Empatica E4). The model structure, training method and loss function were specifically designed to balance detection accuracy and speed for real-time PPG artifact detection in resource-constrained embedded devices. To optimize the model size and capability in multi-scale feature representation, the model employed deep separable convolution and atrous spatial pyramid pooling modules, respectively. Additionally, the contrastive loss was also utilized to further optimize the feature embeddings. With additional model pruning, Tiny-PPG achieved state-of-the-art detection accuracy of 87.8% while only having 19,726 model parameters (0.15 megabytes), and was successfully deployed on an STM32 embedded system for real-time PPG artifact detection. Therefore, this study provides an effective solution for resource-constraint IoT smart health devices in PPG artifact detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI