在MCU端部署GRU模型实现鼾声检测

1. 引言

提起打鼾，可能大家都不会陌生，打鼾是睡眠呼吸障碍的一种常见表现，普遍存在于全球各地，影响着数百万人的生活质量和健康。可以说，打鼾是一个极端令人烦恼的生理现象，验证影响睡眠质量。对于许多患者而言，及时检测打鼾并采取相应措施至关重要。然而，尽管市场上已有多种方法用于鼾声检测，包括使用各种监测设备和进行复杂的睡眠研究，但这些方法大多数依赖于昂贵的设备和专业的操作，这在资源有限的环境中并不实用，也难以普及到广大需要的人群，就显得有些空中楼阁了。因此，开发一种简便、低成本且可靠的鼾声检测方法具有重要的实际意义，可以极大地提高普及度以及大众的认可读[1]。

近年来，人工智能在处理和分析声音数据方面取得了显著进展，尤其是深度学习技术已被成功应用于各种声音识别任务，例如语音识别和异常声音检测。正是这些技术的进步，为更加准确、可靠的鼾声检测提供了新的可能性。在MCU单元上实现深度学习模型的尝试，为端侧的计算和边缘智能开辟了新的可能性，使得在低成本的硬件设备上部署复杂的算法变得可行[2]。

本研究旨在探索使用深度学习架构——门控循环单元，并对其进行轻量级设计，以实现对鼾声的高效检测。GRU模型能够捕捉到时间序列数据中的依赖关系，如鼾声的音频模式，使得其更加适合实时处理和分析。选择MCU单元作为运行平台，不仅因为其成本低和易于集成到便携式设备中，而且因为它适合于在资源受限的环境中操作，满足在各种环境下对鼾声进行实时监测的需求。

通过将GRU模型适配到基于MCU的呼吸辅助装置，我们可以将鼾声检测系统带入患者的日常生活环境中，从而实现实时、非侵入性的监测，提供即时反馈和必要的医疗干预。此外，该方法的发展也将推动深度学习在嵌入式系统中的应用，特别是在处理生理信号和促进移动健康监测方面，为广泛的生物医学应用开辟新的道路。本文接下来将详细介绍GRU模型的训练和调优过程，以及如何实现在微控制器单元上部署该模型。

2. GRU模型简介

GRU全称Gated Recurrent Unit，直译叫做门控回归单元。是一种用于处理序列数据的循环神经网络(RNN)模型。RNN指代递归神经网络(Recurrent Neural Network)，是一种常用于处理序列数据的神经网络架构[3]。与传统的前馈神经网络不同，RNN具有记忆功能，非常适合于对序列数据进行处理，这是通过计算和维护状态变量来实现的。相较于传统的RNN，GRU具有更简单的结构和更高效的训练方式。它通过一种称为门控机制的方式来控制信息的流动，包括更新门和重置门。这些门控机制有助于模型决定在每个时间步上应该记住什么信息，以及应该忘记什么信息，从而更好地处理长序列数据。GRU模型包括一个更新门和一个重置门。更新门决定了新的输入应如何保留，而重置门则决定了状态信息应如何忽略[4]。

图1是一个GRU的框图说明。

Figure 1. GRU model. The switch is soft, is a weighted sum of the inputs, the sum of weights is 1

图1. GRU模型示意图。开关其实是软的，是彼此两个输入的带权和，且彼此权重的和为1

接下来介绍下这两个门控单元的工作流程。首先是重置门r，负责对状态量H进行逐点相乘，记作r⋅H�⋅� 。r和H都是相同维度的向量，相乘的结果起到对记忆的信息筛选淡出的效果。之后将输入和计算后的状态结合成为新的候选状态h˜ℎ˜ 。最终将结果进行更新，更新就是通过这个z门。计算方式是z⋅Ht−1+(1−z)⋅H˜�⋅��−1+(1−�)⋅�˜ ，也就是说将上一次计算的状态与当前的候选状态H˜�˜ 进行加权求和，得到本次的最终状态，当然也就是下一次的Ht−1��−1 。如此循环往复，直到训练结束，得到最终的模型[5]。

此外，与长短时记忆网络(LSTM)相比，GRU模型减少了参数数量，一些情况下更容易训练，并且在计算上也更高效。这使得GRU成为处理序列数据时的一种流行选择。由于GRU模型的门控结构，它具有一定的记忆能力，能够更好地捕捉时间序列中的重要特征，并且相对于传统的RNN模型，GRU模型在一定程度上缓解了梯度消失的问题，从而更适合处理长序列数据。

3. 在PC上进行GRU模型的训练与测试

3.1. GRU模型训练

接下来，我们来看看如何训练一个GRU模型，模型训练平台选用Keras，有需要的读者请自行安装Keras开发工具。我们这里主要给大家介绍模型搭建部分，这里假设我们的鼾声检测数据集已经准备好了，并将其划分为训练和测试数据集，分别命名为：(x_train, y_train), (x_test, y_test)。直接进行模型构建与训练：

import tensorflow as tf

from tensorflow.keras.models import Sequential

from tensorflow.keras.layers import GRU, Dense

# 构建GRU模型

model = Sequential()

model.add(GRU(128, input_shape=(64, 64), stateful=False, unroll=False))

model.add(Dense(2, activation='softmax'))

# 编译模型

model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

# 模型训练

model.fit(x_train, y_train, batch_size=128, epochs=10, validation_data=(x_test, y_test))

先看下这里所指定的输入，(64, 64)。怎么理解呢？上文讲过GRU模型实际上是每次只输入一个维度的数据，即数据应该是(1, 64)。这里好像有点出入。这就不得不解释下，这里的两个64分别代表什么。前一个64表示timestep，第二个64表示音频特征的维度。那么就可以理解为：一次训练，我们是一次性对64组连续的语音特征进行训练，这样能够更好的处理他们之间的相关性。这里的音频特征是由一段固定长度时域数据提取而来。

这里需要注意的是，GRU模型构建的时候，有两个参数，分别是stateful以及unroll，这两个参数是什么意思呢：

stateful参数：当stateful设置为True时，表示在处理连续的数据时，GRU层的状态会被保留并传递到下一个时间步，而不是每个batch都重置状态。这对于处理时间序列数据时非常有用，例如在处理长序列时，可以保持模型的状态信息，而不是在每个batch之间重置。默认情况下，stateful参数为False。需要注意的是，若设置stateful为True，需要手动管理状态的重置。

unroll参数：默认情况下，unroll参数为False。当unroll设置为True时，表示在计算时会展开RNN的循环。通常情况下，对于较短的序列，unroll设置为True可以提高计算速度，但对于较长的序列，可能会导致内存消耗过大，例如，上述模型如果unroll = True，会展开64次相同的GRU所执行的操作，模型中包含大量节点。

我们再看看stateful参数。鼾声信号其实是时域音频信号，每个时间步之间实际上是存在有时间前后关系的，即前后的音频片段之间会组成一段完整的音频数据。因此，在实际使用时若要一次只处理单个时间步的数据，就需要设置stateful为True。

3.2. GRU模型测试

上面通过训练，得到了一个庞然大物。之所以庞大，是因为我们采用了unroll参数将其展开，发现模型其实由很多相同的模型块组成，GRU模块如图2所示。

而这个模型块的数量和所设置的时间步是相关的。这里我们要给大家带来GRU模型的一个特殊性，那就是实际推理所用到的模型和训练时是不一样的。具体而言，训练时候，我们为了让GRU模型能够更好的学习相邻音频之间的关系，需要将模型输入设置为(64, 64)。而实际测试时候，由于模型已经具备了处理相邻音频的能力，我们也就不再需要将模型输入设置为(64, 64)，而是将其设置为(1, 64)，即每次只输入给模型一条音频特征，同时我们设置stateful = True (请注意，与推理时相反，训练的时候stateful为False！)，即每次模型会记录下当前所计算出来的状态信息，将其用于下一次的计算。这样化整为零，使输入减少到了以前的1/64。隐藏状态的计算量也就按比例一起减少了。但要注意的是，最后一步用于把隐藏状态映射成输出的Dense层的计算次数却按比例增加了。不过，与减少的执行GRU模块的计算相比，增加的计算比减少的计算要少得多。

Figure 2. GRU model block

图2. GRU模型块

用于推理的模型构建代码修改如下：

# 构建新模型

new_model = Sequential()

new_model.add(GRU(1, batch_input_shape=(1, 1, 64), unroll=True, stateful=True))

new_model.add(Dense(2, activation='softmax'))

new_model.set_weights(model.get_weights())

注意到，最后一行，有一个set_weights函数，目的是将之前我们所训练出来的模型参数配置给这个新模型。看一下模型的变化，如图3所示。

Figure 3. GRU model with time-step 1

图3. 时间步为1的GRU模型

图中红圈位置有一个AssignVariable节点，它的作用就是将本次所运行出来的状态量进行保存，以供下次推理使用。

3.3. GRU模型量化

在模型部署前需要对模型进行量化，量化的原理就是将用浮点数表示的模型权重，映射为(−128, 127)之间的8位整数[6]。这样做的好处是可以减小模型尺寸，可以将其缩减到之前的近1/4。再者，MCU平台提供了对于具有8位整数类型权重的模型的推理加速能力。不过弊端就是，精度可能会有所下降，所幸的是GRU模块大量使用有上、下确界的Sigmoid和Tanh激活函数，有助于估计中间结果的值域。模型量化可以使用NXP公司所开发的eIQ工具，打开eIQPortal软件，找到MODELTOOL，如图4所示：

Figure 4. eIQ Portal tools

图4. eIQ Portal工具

用它打开我们刚才重新制作的模型，点击左上角的Convert选择转换工具为Tensor Flow Lite，并勾选Enable Quantization，如图5所示。

Figure 5. Model quantization

图5. 模型量化页面

点击Convert即可获得量化后的模型。

4. GRU模型的在端侧的部署

我们选用了NXP的i.MX RT1060跨界MCU部署GRU模型。

4.1. i.MX RT1060平台简介

i.MX RT1060跨界MCU拥有600 MHz的主频，可以提供卓越的计算能力、多种媒体功能以及实时功能，易于使用。i.MX RT1060采用主频达600 MHz的Cortex®-M7同时提供一流的安全保障。i.MX RT1060 MCU支持宽温度范围，适用于消费电子、工业和汽车市场。拥有高达1 MB片上内存，包括512 KB的FlexRAM，能被灵活的分配为ITCM/DTCM/OCRAM。集成了高级DCDC和LDO的电源管理模块，简化电源序列。同时提供了多种内存接口，包括SDRAM，RAWNAND FLASH，NORFLASH，SD/eMMC，Quad/Octal SPI，Hyper RAM/Flash以及其他接口，可以连接诸如WLAN，蓝牙，GPS，displays以及摄像头传感器。同时具有丰富的音视频特性，包括LCD显示，显示加速器，摄像头接口，SPDIF以及I2S音频接口。

4.2. 基于SDK中eIQTFLm工程进行模型集成

首先需要指出的是，GRU模型相较于一般基于CNN的模型相比，其模型部署方法是一致的。特别地，eIQ MODEL TOOL会把GRU模块降解成由最基本的TensorFlowLite所支持的算子所组成的模型结构。这样一来，就可以使用我们的TensorFlowLite引擎进行推理了。而对应到MCU上就是使用tflite-micro推理引擎进行推理。Tflite-micro使用一种算子注册机制决定哪些算子的实现将被链接到最终生成的可执行映像中。这决定了为了将模型部署到MCU上，需要根据模型所需节点来修改注册算子的源文件。这里我们已eIQ中label_image的例子作为基础进行修改。找到工程中的model_ds_cnn_ops_micro.cpp文件，它就是刚才提到的注册算子的源文件，原来的例子包含了推理label_image所需的算子，我们对其进行修改如下：

tflite::MicroOpResolver &MODEL_GetOpsResolver()

{

static tflite::MicroMutableOpResolvers_microOpResolver;

s_microOpResolver.AddAdd();

s_microOpResolver.AddAssignVariable();

s_microOpResolver.AddCallOnce();

s_microOpResolver.AddFullyConnected();

s_microOpResolver.AddLogistic();

s_microOpResolver.AddMul();

s_microOpResolver.AddReshape();

s_microOpResolver.AddReadVariable();

s_microOpResolver.AddSub();

s_microOpResolver.AddSplit();

s_microOpResolver.AddSplitV();

s_microOpResolver.AddSoftmax();

s_microOpResolver.AddTanh();

s_microOpResolver.AddUnpack();

s_microOpResolver.AddVarHandle();

return s_microOpResolver;

}

修改好之后，将模型的二进制数据转换成符合C数组定义格式的文本形式(例如，使用xxd工具)，并替换工程中model_data.h里面所包含的原始模型，就完成了所有关于模型的准备工作。当然对于数据预处理部分需要编写对应的MIC采集以及特征计算部分，限于篇幅本文就不再展开了。有兴趣的读者可以联系作者。

5. 实验验证

选择i.MX RT1060 EVK作为试验平台，整体组装方案以及UI设计如图6所示：

Figure 6. Overall architecture

图6. 整体组装方案

UI页面主要分为三大显示区，分别是阈值调节区：可以通过滑动条灵活的调节检测阈值，提高系统的抗干扰能力；音频特征区：显示当前音频信号的特征图。状态显示区：显示当前模型预测结果，红灯表示为异常，绿灯表示为正常。

6. 结语

本研究实现了一种能够在资源有限的微控制器单元(MCU)上运行的鼾声检测方法，采用门控循环单元(GRU)模型对音频数据进行处理，并且结合模型优化方案，例如模型结构裁剪，模型量化等，成功将GRU模型适配到MCU平台，使得系统能够独立完成鼾声检测无需依赖外界计算资源，且无需联网。同时为了丰富产品显示，设计了一个人机友好的UI界面，可以实时显示系统识别状态，并可以调节系统检测阈值等。实验表明，该模型在保持高准确性的同时，降低了系统算力需求，满足移动健康监测设备的实时性和便携性。这一研究为鼾症患者提供了新的睡眠健康管理解决方案，并拓展了深度学习在嵌入式系统中的应用前景。

NOTES

*通讯作者。

参考文献