开源的、低成本、低功耗微处理器神经网络模型解决方案

基于压电陶瓷传感器的智能枕头非侵入式生命体征监测一、摘要在家中睡眠期间对人体生命体征进行实时监测对于实现及时检测和救援至关重要。然而，现有的用于监测人类生命体征的智能设备存在高复杂性、高成本、侵入性或低准确性的缺点。因此，迫切需要开发一种简化、无干扰、舒适、低成本的睡眠实时监测系统。在本研究中，基于低成本的压电陶瓷传感器开发了一种新型智能枕头。它是通过将智能系统（由传感单元即压电陶瓷传感器、数据处理单元和GPRS通信模块组成）放置在形状记忆泡沫制成的枕头的空腔中来制造的。智能枕头的采样频率设置为1000 Hz，以更准确地捕捉信号，通过一系列成熟的算法推

基于助听器开发的一种高效的语音增强神经网络现代语音增强算法利用大量递归神经网络(RNNs)实现了显著的噪声抑制。然而，大型RNN限制了助听器硬件(hearing aid hardware，HW)的实际部署，这些硬件是电池供电的，运行在资源受限的微控制器单元(microcontroller units，MCU)上，内存和计算能力有限。在这项工作中，我们使用模型压缩技术来弥补这一差距。我们在HW上对RNN施加约束，并描述了一种方法来满足它们。虽然模型压缩技术是一个活跃的研究领域，但我们是第一个证明其有效性的RNN语音增强，使用剪裁和权重/激活的整型量

基于毫米波雷达的手势识别算法摘要基于毫米波的手势识别技术提供了良好的人机交互体验。先前的工作专注于近距离手势识别，但在范围扩展方面不够，即他们无法识别距离相当大的噪声运动超过一米的手势。在本文中，我们利用一种新的数据处理方法和定制的人工卷积神经网络（CNN）设计了一个远程手势识别模型。首先，我们将手势分解为多个反射点，并提取它们的时空特征来描述手势的细节。其次，我们设计了一个CNN来分别学习提取特征的变化模式并输出识别结果。我们通过在商品毫米波雷达上实施，对我们提出的系统进行了全面评估。此外，我们还提供了更广泛的评估，以证明所提出的

实时的语音降噪神经网络算法概要现代基于深度学习的模型在语音增强任务方面取得了显著的性能改进。然而，最先进模型的参数数量往往太大，无法部署在现实世界应用的设备上。为此，我们提出了微小递归U-Net（TRU-Net），这是一种轻量级的在线推理模型，与当前最先进的模型的性能相匹配。TRU-Net的量化版本的大小为362千字节，足够小，可以部署在边缘设备上。此外，我们将小型模型与一种称为相位感知β-sigmoid掩模的新掩模方法相结合，该方法能够同时去噪和去混响。客观和主观评估的结果都表明，我们的模型可以在基准数据集上使用更少数量级的参

基于神经网络的呼吸音分类算法简介在过去的几十年里，许多机器学习（ML）方法被引入来分析呼吸周期的声音，包括爆裂声、咳嗽声和喘息声[1-6]。然而，几乎所有传统的ML模型都完全依赖于手工制作的功能。此外，需要高度复杂的预处理步骤来利用设计的特征[4-6]。因此，仅仅基于ML的模型可能对肺部声音中的外部/内部噪声不具有鲁棒性，并且可能无法在不同的软件和测量设备中推广其性能。然而，要在诊所中使用呼吸追踪系统，必须达到高分类精度。从这个角度来看，深度学习（DL）模型[7]在社区中获得了很多关注。基于DL的模型主要依赖于通过模型训练学习的数据

基于深度学习的鸟类声音识别系统鸟叫声识别在鸟类保护中具有重要意义。通过适当的声音分类，研究可以自动预测该地区的生活质量。如今，深度学习模型被用于对鸟类声音数据进行高精度的分类。然而，现有的大多数鸟类声音识别模型的泛化能力较差，并且采用复杂的算法来提取鸟类声音特征。为了解决这些问题，本文构建了一个包含264种鸟类的大数据集，以增强模型的泛化能力，然后提出了一个轻量级的鸟类声音识别模型，以MobileNetV3为骨干构建了一种轻量级的特征提取和识别网络。通过调整模型中的深度可分离卷积，提高了模型的识别能力。设计了一种多尺度特征融合结构，并

基于神经网络的柯氏音血压计具体的软硬件实现点击 http://mcu-ai.com/ MCU-AI技术网页_MCU-AI 前言虽然血压（BP）的测量现在广泛地由自动无创血压（NIBP）监测设备进行，因为它们不需要熟练的临床医生，也不存在并发症的风险，但其准确性仍存疑。本研究开发了一种新的基于端到端深度学习的算法，该算法直接从Korotkoff声音（KSs）序列而不是示波波形（OWs）来估计NIBP。首先，使用不同的信号分割技术形成KSs的片段序列，即，使用具有或不具有重叠的滑动窗口进行分割，以及使用心搏周期估计进行分割。然后将每个

关键词识别神经网络具体的软硬件实现点击 http://mcu-ai.com/ MCU-AI技术网页_MCU-AI 关键词识别 (KWS) 是人机界面的主要组成部分。 KWS 的目标是在低误报 (FA) 率下最大化检测精度，同时最小化占用空间大小、延迟和复杂性。为了实现这些目标，我们研究了卷积循环神经网络 (CRNN)。受到大规模最先进语音识别系统的启发，我们结合了卷积层和循环层的优势来利用局部结构和远程上下文。我们分析了架构参数的影响，并提出了提高性能的训练策略。我们的 CRNN 模型仅使用约 230k 参数，

环境声音分类的深度 CNN 模型具体的软硬件实现点击 http://mcu-ai.com/ MCU-AI技术网页_MCU-AI 声音事件的分类精度与特征提取有很强的关系。本文将深度特征用于环境声音分类（ESC）问题。深层特征是通过使用新开发的卷积神经网络（CNN）模型的全连接层来提取的，该模型通过频谱图图像以端到端的方式进行训练。特征向量由所提出的 CNN 模型的全连接层串联而成。为了测试所提出方法的性能，将特征集作为输入传送到随机子空间 K 最近邻 (KNN) 集成分类器。在 DCASE-2017 ASC和UrbanSound8K数据

基于深度神经网络的婴儿哭声识别算法具体的软硬件实现点击 http://mcu-ai.com/ MCU-AI技术网页_MCU-AI 婴儿哭闹识别是一项具有挑战性的任务，因为很难确定能够让研究人员清楚区分不同类型哭闹的语音特征。然而，婴儿哭闹被视为一种不同的言语交流方式。利用适当的人工智能模型，利用梅尔倒谱系数（MFCC）可以区分婴儿哭闹的类型。堆叠受限玻尔兹曼机（RBN）在提供几层神经网络以将高维数据转换为低维数据以将输入数据微调为神经网络的更好的初始化权重方面是流行的。通常，RBN与另一个深度神经网络一起使用来形成深度信念网络（DBN），

咳嗽检测深度神经网络算法具体的软硬件实现点击 http://mcu-ai.com/ MCU-AI技术网页_MCU-AI 咳嗽检测是一种很有前途的检测呼吸道疾病各种病理严重程度的技术。自动咳嗽检测系统的开发将成为早期诊断的最佳跟踪工具。长期以患者为中心的远程咳嗽严重程度监测将改变医疗基础设施的游戏规则，因为在过去几十年中，远程医疗和远程护理已经开发了许多方法。在本文中，我们提出了一种使用改进的卷积神经网络（CNN）分析哮喘、支气管炎和百日咳发生时的咳嗽音频信号的方法。在此，使用巴特沃斯高通滤波器进行预处理，并使用MFCC进行特征提

利用深度循环神经网络对心电图降噪具体的软硬件实现点击 http://mcu-ai.com/ MCU-AI技术网页_MCU-AI 我们提出了一种利用由长短期记忆 (LSTM) 单元构建的深度循环神经网络来降噪心电图信号 (ECG) 的新方法。该网络使用动态模型 ECG 生成的合成数据进行预训练，并使用来自 Physionet PDB 心电图信号数据库的真实数据进行微调。结果表明，10层DRNN对于幅值0.2mV白噪声的真实信号去噪均方误差低至0.179，使其成为其他常用方法的可行替代方案。我们还研究了合成数据对真实信号网络

鼾声监测神经网络具体的软硬件实现点击 http://mcu-ai.com/ MCU-AI技术网页_MCU-AI 打鼾是一种普遍的症状，严重影响睡眠呼吸障碍患者（单纯打鼾者）、阻塞性睡眠呼吸暂停（OSA）患者及其床伴的生活质量。研究表明，打鼾可用于OSA的筛查和诊断。因此，从夜间睡眠呼吸音频中准确检测打鼾声一直是最重要的部分之一。考虑到打鼾在世界各地被忽视的危险性，需要一种自动且高精度的打鼾检测算法。在这项工作中，我们设计了一种非接触式数据采集设备来记录受试者在私人卧室中的夜间睡眠呼吸音频，并提出了一种用于自动打鼾检测的混

基于胎心仪的胎儿心脏诊断神经网络具体的软硬件实现点击 http://mcu-ai.com/ MCU-AI技术网页_MCU-AI 胎心率(FHR)对于评估胎儿的健康状况具有重要意义。然而，基于传统的分类标准并不准确。随着计算机信息技术的飞速发展，计算机技术对于胎儿电子监护(EFM)中的胎心率分析至关重要。胎心率分为正常、可疑和异常三类。通过与医院的合作，我们共获取了4473条记录，其中正常记录 3012条，可疑记录1024条，异常记录437条。为了提高胎儿状态评估的准确性，将一维FHR记录分为10 个d窗段，然后使用卷积神经网

基于毫米波的人体跟踪和识别算法具体的软硬件实现点击 http://mcu-ai.com/ MCU-AI技术网页_MCU-AI 准确的人类活动识别（HAR）是实现新兴的上下文感知应用程序的关键，这些应用程序需要了解和识别人类行为，例如监测独居的残疾人或老年人。传统上，HAR是通过环境传感器（例如，相机）或通过可穿戴设备（例如，具有惯性测量单元（IMU）的智能手表）来实现的。环境感测方法通常更适用于不同的环境，因为这不需要每个用户都有可穿戴设备。然而，在家庭等隐私敏感区域使用相机可能会捕捉到用户可能不愿意分享的多余环境信息。雷达已被提议作

一种利用光电容积描记（PPG）信号和深度学习模型对高血压分类的新方法具体的软硬件实现点击 http://mcu-ai.com/ MCU-AI技术网页_MCU-AI 据世界心脏联合会统计，截至 2022 年，全球有 13 亿人被诊断患有高血压，每年约有 1000 万人死于高血压。一个人有必要拥有有益于心脏健康的生活方式，以防止被诊断出患有心血管疾病（CVD）和动脉疾病等致命疾病的风险。如果一个人疏于定期监测血压，他们可能会突然被诊断出患有血压。有时很难预测高血压，因为这种情况的初期症状并不明显。高血压阶段的分类也很有用，这样一个人就可以根据他所处的阶段进行以下生活方式的改变

助听器降噪神经网络模型模型效果的比较

一种基于光电容积波的血压测量神经网络算法,开源、低功耗、低成本的人工智能软硬件提供者具体的软硬件实现点击 http://mcu-ai.com/ MCU-AI技术网页_MCU-AI人工智能心血管疾病是最严重的死亡原因之一，每年在全世界造成严重的生命损失。持续监测血压似乎是最可行的选择，但这需要一个侵入性的过程，带来了几层复杂性。这促使我们开发一种方法，通过使用光体积描记图（PPG）信号的非侵入性方法来预测连续动脉血压（ABP）波形。此外，我们还探索了深度学习的优势，因为它可以使手工制作的特征计算变得不相关，从而使我们摆脱仅坚持理想形状的PPG信号的束缚，这是现有方法的一个缺点。因此，我们

一种新的基于机器学习的示波法血压估计方法，开源、低功耗、低成本的人工智能软硬件提供者具体的软硬件实现点击 http://mcu-ai.com/ MCU-AI技术网页_MCU-AI人工智能血压的测量和预测是心脏病患者和有心脏问题的人的一个重要条件，应该保持持续的控制。在这项研究中，基于从使用袖带的个体获得的振荡波形，振荡波形分为三个周期。第一个周期是从起点到收缩压(SBP)，第二个周期是从收缩压(SBP)到舒张压(DBP)之间，第三个周期是从舒张压(DBP)到波形结束之间。在数据集中，收缩压点对应的拍的属性标记为1，舒张压点对应的拍的属性标记为2。其他节拍用0标记。在这项研究中，数据集首

基于深度卷积神经网络的时间序列图像分类，开源、低功耗、低成本的人工智能硬件提供者具体的软硬件实现点击 http://mcu-ai.com/ MCU-AI技术网页_MCU-AI人工智能卷积神经网络（CNN）通过从原始数据中自动学习层次特征表示，在图像识别任务中取得了巨大成功。虽然大多数时间序列分类（TSC）文献都集中在1D信号上，但本文使用递归图（RP）将时间序列转换为2D纹理图像，然后利用深度CNN分类器。时间序列的图像表示引入了1D信号不可用的不同特征类型，因此TSC可以被视为纹理图像识别任务。CNN模型还允许与分类器一起联合自动地学习不同级别的表示。因此，在统一的框架中使用RP