Towards Real-Time ECG and EMG Modeling on $μ$ NPUs

📄 arXiv: 2604.18067v1 📥 PDF

作者: Josh Millar, Ashok Samraj Thangarajan, Soumyajit Chatterjee, Hamed Haddadi

分类: cs.LG

发布日期: 2026-04-20

🔗 代码/项目: GITHUB

💡 一句话要点

提出PhysioLite，实现微型NPU上实时心电/肌电信号建模

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 生理信号分析 心电信号 肌电信号 微型NPU 轻量级模型

📋 核心要点

  1. 现有Transformer模型在生理信号分析中表现出色，但模型过大，难以部署在资源受限的微型NPU设备上。
  2. PhysioLite通过可学习小波滤波器组、CPU卸载的位置编码和硬件感知设计，构建轻量级NPU兼容模型。
  3. 实验表明，PhysioLite在心电/肌电信号分析中性能与Transformer模型相当，但模型尺寸显著减小，可在微型NPU上运行。

📝 摘要（中文）

神经处理单元(NPU)等低功耗加速器的微型化，使其能够集成到微控制器级别的可穿戴硬件中，从而支持近实时、离线和保护隐私的推理。然而，生理信号分析在这种硬件上仍然不可行；最近基于Transformer的模型表现出最先进的性能，但对于资源和功率受限的硬件来说，其规模过于庞大，并且由于其动态注意力操作而与μNPU不兼容。我们引入PhysioLite，一种轻量级的、与NPU兼容的模型架构和训练框架，用于心电/肌电信号分析。通过使用可学习的小波滤波器组、CPU卸载的位置编码和硬件感知的层设计，PhysioLite在心电和肌电基准测试中达到了与最先进的基于Transformer的基础模型相当的性能，同时尺寸小于10%（使用8位量化时约为370KB）。我们还在MAX78000和HX6538 WE2 μNPU上分析了其组件的延迟和资源消耗，证明了其在受限的电池供电硬件上进行信号分析的可行性。我们在https://github.com/j0shmillar/physiolite上发布了我们的模型和训练框架。

🔬 方法详解

问题定义：论文旨在解决在资源和功耗受限的微型神经处理单元（μNPU）上进行实时心电（ECG）和肌电（EMG）信号分析的问题。现有基于Transformer的模型虽然性能优越，但模型尺寸过大，计算复杂度高，无法直接部署在这些资源受限的设备上。此外，Transformer中的动态注意力机制也不兼容μNPU。

核心思路：论文的核心思路是设计一个轻量级、NPU兼容的模型架构PhysioLite，它能够在保持与先进Transformer模型相当的性能的同时，显著减小模型尺寸和计算复杂度。通过硬件感知的层设计，使模型能够高效地在μNPU上运行。

技术框架：PhysioLite的整体架构包括以下几个主要模块：1) 可学习的小波滤波器组：用于提取信号的特征。2) CPU卸载的位置编码：减少NPU的计算负担。3) 硬件感知的层设计：优化模型结构以适应μNPU的硬件特性。训练框架也针对NPU进行了优化，例如采用量化感知训练。

关键创新：PhysioLite的关键创新在于其轻量级和NPU兼容的设计。与传统的Transformer模型相比，PhysioLite避免了动态注意力机制，并采用了可学习的小波滤波器组来提取特征，从而显著减小了模型尺寸和计算复杂度。此外，CPU卸载的位置编码进一步降低了NPU的计算负担。

关键设计：PhysioLite的关键设计包括：1) 使用可学习的小波滤波器组代替传统的卷积层，以更有效地提取信号特征。2) 将位置编码的计算卸载到CPU，以减少NPU的计算负担。3) 采用硬件感知的层设计，例如使用更小的卷积核和更少的通道数，以适应μNPU的硬件特性。4) 使用8位量化来进一步减小模型尺寸。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

PhysioLite在心电和肌电基准测试中达到了与最先进的基于Transformer的基础模型相当的性能，同时模型尺寸小于10%（使用8位量化时约为370KB）。在MAX78000和HX6538 WE2 μNPU上的实验表明，PhysioLite能够以较低的延迟和资源消耗进行信号分析，证明了其在受限的电池供电硬件上进行信号分析的可行性。

🎯 应用场景

PhysioLite的潜在应用领域包括可穿戴健康监测设备、远程医疗、运动医学等。它可以实现对心电和肌电信号的实时分析，从而为用户提供个性化的健康建议和预警。该研究的实际价值在于降低了生理信号分析的硬件门槛，使其能够在低功耗、资源受限的设备上运行。未来，PhysioLite可以进一步扩展到其他生理信号的分析，并与其他传感器数据融合，从而实现更全面的健康监测。

📄 摘要（原文）

The miniaturisation of neural processing units (NPUs) and other low-power accelerators has enabled their integration into microcontroller-scale wearable hardware, supporting near-real-time, offline, and privacy-preserving inference. Yet physiological signal analysis has remained infeasible on such hardware; recent Transformer-based models show state-of-the-art performance but are prohibitively large for resource- and power-constrained hardware and incompatible with $μ$ NPUs due to their dynamic attention operations. We introduce PhysioLite, a lightweight, NPU-compatible model architecture and training framework for ECG/EMG signal analysis. Using learnable wavelet filter banks, CPU-offloaded positional encoding, and hardware-aware layer design, PhysioLite reaches performance comparable to state-of-the-art Transformer-based foundation models on ECG and EMG benchmarks, while being <10% of the size ($\sim$370KB with 8-bit quantization). We also profile its component-wise latency and resource consumption on both the MAX78000 and HX6538 WE2 $μ$ NPUs, demonstrating its viability for signal analysis on constrained, battery-powered hardware. We release our model(s) and training framework at: https://github.com/j0shmillar/physiolite.