Framework di Denoising EDA per IoT Indossabile in Condizioni Estreme
Uno studio di ricerca introduce un robusto framework di denoising EDA progettato per dispositivi indossabili Internet of Medical Things (IoMT), affrontando i problemi di artefatti da movimento e rumore ambientale in ambienti estremi, come sott'acqua. Questo framework integra un modello insegnante ibrido CNN-Transformer con un modello studente CNN compatto a profondità separabile attraverso la distillazione della conoscenza. Per simulare varie distorsioni, viene impiegata una strategia di data augmentation realistica. Il modello studente ottiene una riduzione delle dimensioni da 7,87 MB a 0,51 MB e riduce i costi computazionali da 105,1M a 11,61M FLOPs, mantenendo al contempo la sua efficacia di denoising.
Fatti principali
- I segnali EDA sono vulnerabili ad artefatti da movimento e rumore ambientale.
- Il framework integra un insegnante CNN-Transformer e uno studente CNN leggero tramite distillazione della conoscenza.
- La data augmentation simula artefatti da movimento e distorsioni ambientali.
- Le dimensioni del modello studente sono state ridotte da 7,87 MB a 0,51 MB.
- Il costo computazionale è stato ridotto da 105,1M a 11,61M FLOPs.
- Le prestazioni di denoising sono mantenute dopo la compressione.
- Mirato a IoMT indossabile per monitoraggio continuo della salute.
- Generalizza attraverso più posizioni di misurazione e ambienti ostili.
Entità
—