基于可穿戴设备的智能物联网应用与动态优化研究

【摘要】： 近年来,在第五代通信技术(5G)和人工智能技术的背景下,智能物联网技术(AIoT)逐渐走入研究人员的视野。AIoT是一个交叉学科,目的是将AI服务于物联网之中。已经有大量研究围绕如何在物联网中使用AI服务,这些研究主要围绕两个方面,即一些新颖的应用和AI服务的性能优化。在运用层面,研究人员广泛使用传感器网络以解决一些动作识别、步态识别、健康检测等功能。在优化层面,则包含边缘计算、神经网络优化、网络分布等等。在本文中,本文针对于运用和优化完成了两个工作。运用方面本文提出了 Hygiea,这是一种高效节能且识别准确的刷牙姿势检测系统,该系统适用于任何未经过修改的牙刷,利用基于腕戴式可穿戴设备上的IMU传感器采集用户刷牙动作数据。为了解决用户刷牙的多样性问题,Hygiea结合了许多新颖的信号预处理技术,可以在任意刷牙活动期间自动将感官输入转换为一致的用户坐标系。为了区分不同的刷牙姿势,Hygiea利用新兴的深度学习模型(例如AT-LSTM)来实现细粒度的姿势识别。此外,并入了用于采样控制的PODMP模型以平衡穿戴设备的能耗效率。大量实验表明,与最新技术相比,Hygiea系统的准确性提高了 11.7%,同时保持了能源效率和牙刷的零修改。在优化方面,本文提出了 EdgeNet,它被定义为一种深度强化学习模型,作用是为了蒸馏出某个DNN网络内在当前环境下最佳的修剪结果。当把DNN网络下放到物联网中,物联网内的设备往往没有满足AI服务的强大计算性能,本文把解决方法对准DNN网络的卷积核修剪,试图得到一个残缺的DNN网络以满足当前环境的最低标准。EdgeNet附着于DNN网络,将每次裁剪过后的DNN网络作为当前环境,根据前后两次的精度和计算复杂程度来定义奖励值,并以此来更新网络,EdgeNet网络的输出则是此次DNN网络的裁剪动作量。本文根据不同的奖励定义提出两种优化模型。大量实验表明,EdgeNet在多个深度学习网络以及多个数据集中有优秀的蒸馏性能。