適用於心電訊號身分識別之輕量極限學習機引擎

Abstract

"如今，用戶身份識別 (User identification) 對於授權的計算機訪問和遠程個人數據使用中扮演越來越重要的角色。由於隱私和便利性，虹膜、指紋和臉部識別等基於生物特徵的用戶身分識別已成為我們日常生活中的主流方法。但是，大多數生物特徵辨識方法都可以被模仿或被人工破解。然而，新型的生物特徵辨識技術可以緩解以上問題，例如心電訊號 (ECG)，是基於內在生理訊號而不是傳統的外在生物特徵。此外，由於在智慧工廠中的作業員必須穿著無塵裝備，因此非常適合使用心電訊號身份識別系統的。 另外，在現實的智慧工廠中，必然會有新員工的加入，因此，必須在現有的辨識系統上增加辨識人數。然而，如果為了該新員工而重新學習整個辨識系統，會造成額外的運算資源因而不切實際。為了能夠有效地學習新進員工的資訊，也就是在機器學習系統裡面的新的類別，我們利用類增量學習 (Class-incremental learning, CIL) 的方法來實現我們的辨識系統。此外，心電訊號感測器 (ECG sensor) 通常會安裝於邊緣裝置 (Edge devices) 上，並且需要在邊緣裝置上做長期監測。因此，我們必須利用輕量級的分類器來實現辨識系統。在此論文，我們挑選極限學習機 (Extreme learning machine, ELM) 來當作輕量的分類器，並針對極限學習機提出支援類增量學習之演算法。最後，為了能進一步降低此輕量分類器在邊緣裝置的能耗，我們設計一個高能效且支援類增量學習的極限學習機硬體架構。"