-
在MCU端部署GRU模型实现鼾声检测
本研究旨在开发一种在资源受限的微控制器单元(MCU)上运行的方法，用以进行鼾声检测。不同于使用CNN进行声音检测的方式，我们采用门控循环单元(GRU)模型以对音频数据进行处理和分析。通过采用优化模型结构、模型量化等常用的模型优化方式，我们最终成功将GRU模型适配到低功耗的MCU平台，使其能够在不依赖外部计算资源的情况下，独立完成端侧的鼾声检测任务，无需联网。实验结果表明，该模型在保持较高准确性的同时，能够有效降低系统算力需求，满足移动健康监测设备的实时性与便携性要求。这一研究为鼾症患者的持续监测和睡眠健康管理提供了一种新的解决方案，同时也拓展了深度学习在嵌入式系统中的应用前景。
-
在微控制器上实现在设备端训练的异常检测
在当前嵌入式系统与人工智能技术融合的前沿领域，文章聚焦于一种基于单类支持向量机(One-Class SVM)的异常检测算法，并提供了一套完整的MCU友好的工程实现，不需要依赖于动态内存分配以及文件系统，特别适合于在资源受限的边缘设备上进行高效、实时的训练与预测。我们的方法不仅可以实现在MCU上训练和高效存储机器学习模型，还支持增量学习，从而在几乎不增加计算负担的前提下，持续改进模型对实际工况的适应能力。我们的实验装置是安装了三轴加速度传感器的震动源(如风扇)，以模拟在工作期间发出振动的工业设备。文章的方法也可以通过替换传感器和特征计算的预处理算法来实现对其它设备的监控，以适应不同的工况环境和应用的需求。
