基于深度学习的智能手表睡眠分期系统设计与低功耗优化 .docxVIP

PAGE2

基于深度学习的智能手表睡眠分期系统设计与低功耗优化

摘要

随着可穿戴技术的普及，智能手表已成为睡眠监测的重要工具，然而现有的睡眠分期方案多依赖云端计算，存在隐私泄露风险与网络延迟问题，且高功耗严重制约了设备的续航能力。针对上述痛点，本课题设计并实现了一款基于深度学习的智能手表睡眠分期系统，重点研究了轻量化模型设计与低功耗优化策略。系统采用微控制器（MCU）作为核心处理器，结合加速度计（ACC）与光电容积脉搏波（PPG）传感器采集生理信号，利用改进的一维卷积神经网络（1D-CNN）与门控循环单元（GRU）的混合模型，在终端侧实现了WAKE、NREM、REM三阶段的实时自动分期。

论文首先分析了睡眠监测的现实需求与技术瓶颈，确立了低功耗、高精度的设计目标。在总体设计阶段，构建了包含感知层、处理层与应用层的系统架构，并针对嵌入式资源受限的特点，设计了基于模型剪枝与INT8量化的轻量化算法方案。详细设计阶段，重点阐述了数据预处理流程、特征提取网络结构以及动态功耗管理策略。系统实现部分，完成了硬件选型、固件开发与模型部署，并通过实验验证了系统的有效性。测试结果表明，该系统睡眠分期平均准确率达到92.4%，单次推理功耗降低至传统方案的35%，显著提升了智能手表的续航时间。本设计不仅实现了睡眠分期的端侧实时处理，也为可穿戴设备的边缘智能计算提供了可行的优化思路。

第一章绪论