论文题目Energy-Efficient Real-Time Heart Monitoring on Edge–Fog–Cloud Internet of Medical Things面向边缘–雾–云医疗物联网的高能效实时心脏监测期刊IEEE Internet of Things Journal2022摘要近年来可穿戴设备和医疗物联网Internet of Medical ThingsIoMT的发展使心电图ECG信号的实时监测与记录成为可能。然而对于低功耗可穿戴设备而言受能量和存储资源限制持续监测 ECG 仍然具有挑战。本文提出一种面向低功耗可穿戴设备的高能效持续心脏监测方法。该方法由三个层级组成第一层进行噪声/伪迹检测对 ECG 信号质量分级第二层进行正常/异常心拍分类检测 ECG 中的异常第三层进一步对异常心拍分类以从 ECG 信号中检测疾病。此外作者采用分布式多输出卷积神经网络CNN架构以降低 Edge–Fog/Cloud 之间的能耗与时延。该方法在 MIT-BIH Arrhythmia 数据集上达到 99.2% 的准确率。真实硬件评估表明该方法适用于最低 RAM 为 32 KB 的设备并且与已有工作相比可实现最高 7× 的能效提升。一、研究背景与核心问题连续 ECG 监测不能只追求分类准确率还要同时满足实时性、低功耗和小内存。把原始 ECG 全部上传云端可以使用更复杂的算法却会增加通信能耗和时延如果全部在可穿戴端计算又会受到电池、RAM 和算力限制。作者因此把问题归结为两点Edge 上的算法必须足够轻量同时异常又必须尽可能早地被发现。论文最关键的洞察是真正昂贵的不只是神经网络计算持续传输大量“不必上传”的原始 ECG 同样昂贵。与其默认采集后全部上传不如先在 Edge 端判断数据是否值得继续处理和传输。论文 Figure 1三种 ECG 传输场景下的通信能耗对比Figure 1 给出了直观动机。Case I 直接上传 1 小时原始 ECGCase II 在 Edge 端提前过滤正常心拍和噪声Case III 则包含一部分真正需要进一步分析的心律失常。作者报告相比 Case ICase II 的通信能耗可下降约 1000×Case III 也可下降约 3×。因此整篇论文的主线很清楚噪声先丢弃正常心拍尽早结束只把异常心拍送到更强的 Fog/Cloud。二、方法整体框架按“数据价值”分配计算论文 Figure 2Edge–Fog/Cloud 三层实时心脏监测整体框架ECG 采集后先经过 1–50 Hz 带通滤波然后在 Edge 端执行噪声/运动伪迹检测有效信号继续做 R-peak 检测、心拍分割和心率计算随后正常/异常心拍模块决定是否上传。如果是正常心拍系统不再发送完整原始波形只保留必要心率信息如果判定为异常则交给 Fog/Cloud 上的后续 CNN 继续分类。作者还加入 Sampling Rate Control。信号被判断为噪声或者当前没有异常心拍时可以降低采样率只要前两层仍保持较高分类性能即可。整个数据流可以概括为ECG Acquisition → Denoising → Noise/Artifact Detection → R-Peak Segmentation → Normal/Abnormal Decision → Abnormal Beat → Fog/Cloud CNN这里的重点不是机械地把网络切成 Edge 和 Cloud 两半而是让 Edge 承担高频、轻量、能够大量淘汰数据的判断让 Fog/Cloud 只处理真正值得花计算资源的异常样本。三、Edge 端的两道“闸门”先去伪迹再筛异常3.1 Noise/Artifact Detection规则式质量检测移动场景中的 ECG 容易受到运动伪迹、基线漂移和信号缺失影响。作者没有使用复杂模型而是将 ECG 划分为 10 s 窗口并归一化通过窗口均值判断信号缺失再用移动标准差检测突变和基线漂移。移动窗口长度为 2Fs/5重叠 70%统计量再与阈值比较。论文 Figure 3Acceptable / Unacceptable ECG 及其移动标准差波形Figure 3 表明伪迹会在移动标准差波形中被明显突出因此无需复杂频域特征。作者还指出该质量检测在 100–120 Hz 的较低采样率下仍可保持性能这与动态采样率控制形成配合。3.2 Normal/Abnormal Beat高敏感度优先按照 AAMI 标准论文把 N 作为正常心拍将 S、V、F、Q 归入异常组。这里的代价并不对称正常心拍误判为异常只是多上传一次异常心拍误判为正常却会直接被 Edge 过滤。因此第二层优先保证异常心拍 sensitivity。论文 Figure 4–5正常/异常波形差异与 HRV 分布差异作者把 CNN 第一输出块、Heart Rate VariabilityHRV以及模板相关性组合起来。HRV 使用连续 RR 间期计算其中是采样率是最新 RR 间期。作者把阈值设为 10即使 CNN 初步认为当前心拍正常只要 HRV 大于 10也会改判为异常继续上传。相关性则使用 20 个正常心拍按 R-peak 对齐后求平均得到模板 T再计算当相关系数低于 0.2 时正常标签同样会被改成异常并送往下一层。直观来看这相当于给小型 CNN 加了两道安全校验一个检查节律变化一个检查波形是否偏离正常模板。四、Distributed Multioutput CNN用“早退出”减少无效计算论文 Figure 6分布式 Multioutput CNN 架构论文 Table IMultioutput CNN 各层结构与参数量分布完整 CNN 包含三个卷积块和两个输出块。第一卷积块与第一输出块运行在 Edge第二、第三卷积块和第二输出块运行在 Fog/Cloud。第三卷积块使用 grouped convolution 和 pointwise convolution以降低乘加运算量不同长度卷积核则用于捕获不同时间尺度的 ECG 特征。Table I 最值得注意的是参数分配Edge 侧只有607 个参数其后的 Fog/Cloud 部分还有3804 个参数。作者据此计算分布式结构可让 Edge 侧神经网络内存需求降低约87%。第一输出块相当于早退出分类头直接利用第一卷积块的特征做 Normal/Abnormal 判断。作者报告这一判断最高可达到约 95% accuracy因此大量正常心拍无需执行后两个卷积块也无需上传。论文进一步估计这一机制可把通信能耗降低约 1000×。因此 Multioutput 的核心意义是Edge 快速排除正常Fog/Cloud 精细识别异常。五、实验结果性能、复杂度与真实硬件证据5.1 实验设置训练使用 MIT-BIH Arrhythmia Database并加入 MIT-BIH Supraventricular Arrhythmia Database 增加异常心拍。两者都只使用 Lead II并统一重采样到 130 Hz。MIT-BIH 中 22 条记录进入训练集合训练集内部按 80%/20% 划分训练与验证测试阶段使用 44 条 MIT-BIH 记录其中一半是训练时未见过的记录。Figure 7 主要展示 80%/20% 的训练验证比例。硬件评估使用 32-bit ARM Cortex-M4、最高 40 MHz、64 KB RAM 的 BLE 模块。作者的 profiling 显示算法峰值内存不超过 30 KB。5.2 Noise/Artifact Detection论文 Table IIMIT-BIH 上噪声/伪迹检测结果Table II 在 10000 个片段上评估质量检测论文报告总体 accuracy 为99.3%共 71 个片段被错误分类。论文 Table IIIPICC 与 MIT-BIH 上的信号质量检测对比在 MIT-BIH 上本文方法达到Sp 99.4%、Ac 98.3%、Se 99.2%但在 PICC 2011 上是Sp 96.3%、Ac 96%、Se 94.5%并非所有指标都优于已有方法。因此更准确的结论是该轻量规则在作者重点使用的 MIT-BIH 场景中兼顾了性能与计算开销不能扩大成“所有数据集全面领先”。5.3 Normal/Abnormal Beat Detection论文 Table IVNormal / Abnormal 心拍二分类结果该层总体 accuracy 为98.5%异常心拍 sensitivity 达到99.6%。在 18000 个异常心拍中只有71 个被错分这正对应“尽量不要把异常误判成正常”的设计目标。论文 Table V异常心拍检测与相关工作的比较本文 CNN Rule-based 方法报告Se 97%、PPV 99.6%、Acc 98.5%。对比方法主要依赖 SVM、Tree 和额外手工特征而本文 Edge 侧神经网络只有 607 个参数。论文还指出部分相关方法在目标硬件上会因特征提取和分类器造成内存溢出而本文方案能够直接运行。5.4 完整异常类型分类论文 Figure 8本文与相关 CNN 在 SVEB / VEB 多指标上的比较Figure 8 中本文在SVEB 的 PPV 上达到 98.5%是图中最高值其他指标通常比最佳方法低约 0.4%–1%。作者指出本文所有展示指标中的最低值仍为97.8%而工作 [34] 和 [36] 的最低值分别为 80.2% 和 88%。因此重点不是“每一项都第一”而是在显著压缩模型后仍保持较均衡的多指标性能。5.5 复杂度与真实能耗论文 Figure 9参数量与 MACs 复杂度对比按照作者计算本文相较 [34] 的 MAC 运算量约少30000×即使与最接近的 CNN 架构相比对方仍需要约7×的 MACs 和40×的内存。复杂度下降主要来自 grouped pointwise convolution以及把 ECG 输入统一降采样到 130 Hz。论文 Table VIBlue Gecko 实机上的执行时间、功耗、能量与 RAM 需求Table VI 给出了真实硬件测量。Noise/Motion Artifact 特征提取约 13.5 ms模板检查与 HRV 约 1.8 msCNN 第一卷积块约 20 ms、单次能量约 282 μJ第一输出块约 1.2 ms。作者最终报告Edge 端处理一个心拍的总执行时间约36 ms功耗约55 mW并可兼容最低32 KB RAM的设备。这篇论文没有传统意义上逐模块删除的 Ablation Table。其设计有效性主要由分层任务性能、Figure 1 的通信能耗、Figure 9 的复杂度以及 Table VI 的实机测量共同支撑因此不需要为了模板完整而硬加不存在的消融实验。六、局限性与总结思考论文明确指出两个限制。第一异常检测和分类严重依赖 R-peak 检测R-peak 一旦定位错误心拍分割和 HRV 都会受影响。第二MIT-BIH 虽然使用广泛但本文和很多相关工作主要关注 VEB、SVEB 等少量异常类型不能代表真实 ECG 解释的全部复杂性。作者提出未来可以把 HRV 更自然地整合进端到端模型例如使用图学习结构也可以结合 federated learning并在包含更多心律失常类型的数据上继续验证传输决策单元。如果把这篇论文压缩成一句话它的价值并不是“做了一个更小的 ECG CNN”而是提出一种很工程化的计算分配原则先在最靠近传感器的位置用低成本判断数据值不值得继续花钱再把少量真正重要的数据交给更强的计算节点。从工程角度看这个思路对 Edge AI 很有启发性。传统模型压缩往往只盯着参数量和 FLOPs而本文同时优化“通信是否发生”“采样率是否必须保持最高”“正常样本是否必须跑完整网络”。对于资源极其有限的可穿戴 IoMT 设备这种数据价值驱动的早筛选 分层计算比单纯追求更深或更准的模型更值得记住。
