ウェアラブル向けPPGベース血圧推定のためのエンドツーエンド自動化ディープニューラルネットワーク最適化

概要: 光電容積脈波計（PPG）ベースの血圧（BP）推定は、特にリソースが限られたウェアラブルデバイス上では困難な課題です。しかし、ユーザーデータの機密性を確保するためには、完全にオンボードでの処理が望まれます。近年の深層ニューラルネットワーク（DNN）は、BP波形の再構成、またはBP値の直接回帰によって高いBP推定精度を達成していますが、大きなメモリ、計算量、エネルギー要求が、ウェアラブルへの導入を妨げています。本研究では、超低電力マルチコアSoC（システム・オン・チップ）向けに最適化された、正確でありながらコンパクトなBP予測モデルを生成するために、ハードウェアを意識したニューラルアーキテクチャ探索（NAS）、プルーニング、混合精度探索（MPS）を組み合わせた、完全自動のDNN設計パイプラインを提案します。4つの公開データセットにおける最先端のベースラインモデルから出発し、最適化したネットワークは、パラメータを7.5倍削減しつつ最大7.99%誤差を低減する、または精度の損失がごくわずかなままパラメータを最大83倍削減することを実現します。提案対象のSoC（GreenWavesのGAP8）上では、すべてのモデルがメモリ512 kB以内に収まり、必要メモリは55 kB未満で、平均推論レイテンシは142 ms、エネルギー消費は7.25 mJです。患者固有の微調整により、精度はさらに最大64%向上し、ウェアラブル上での完全自律・低コストなBPモニタリングを可能にします。