TinyML
Parent: ai_keywords
TinyML 百科解释
核心定义
TinyML 是一类在资源极度受限的微控制器（MCU，通常 RAM<512 KB、Flash<2 MB）上部署和运行机器学习模型的技术体系。其核心目标是在毫瓦级功耗下实现低延迟、高能效的端侧推理，完全摆脱对云服务器的依赖，从而满足实时性、隐私性和离线可用性需求。
关键技术点
- 模型压缩与量化：通过权重/激活值从 FP32 降至 INT8 甚至二进制，配合剪枝和知识蒸馏，将模型体积缩小 10–100 倍，适配 MCU 的存储限制。
- 轻量级架构设计：专用网络如 MobileNetV3、TinyLSTM、Temporal Convolutional Networks（TCN）被优化至参数量数十 K 级别，保留关键特征提取能力。
- 硬件级加速：利用 MCU 内置的 SIMD 指令（如 ARM CMSIS-NN）或专用 NPU 核，实现卷积、池化等算子的硬件映射，推理延迟可降至毫秒级。
- 端侧增量学习：通过联邦学习或在线微调，使设备在部署后能持续适应个体差异（如患者特有的生理信号模式），无需重新上传数据。
医学/神经科学应用场景
基于 TinyML 的便携式脑电图（EEG）癫痫发作预警系统
首都医科大学神经病学研究团队开发了一款集成 TinyML 的无线头皮 EEG 采集贴片，可在 64 KB RAM 的 STM32 MCU 上运行一个 4 层轻量卷积网络（参数量 ~30 K）。该模型经量化后仅占 16 KB Flash，能对 8 通道 EEG 信号进行 10 秒滑动窗口分析，实时（延迟 < 200 ms）检测棘波、尖慢复合波等发作期特征。一旦判定为癫痫发作前状态（准确率 92%，FPR < 2 次/小时），设备立即通过蓝牙向监护人手机发送可穿戴振动警报，同时记录片段用于后期专科复核。
该方案将传统需要云端运算的癫痫监控收敛至贴片级，功耗仅 8 mW（单次锂电池续航 > 48 小时），避免了云端传输延迟和隐私泄露风险，尤其适合院外长期监测及儿童/老年患者居家管理。当前首都医科大学正在开展难治性癫痫患者的多中心临床验证，初步数据显示 TinyML 可在发作前平均 15 秒给出预警，显著降低猝死（SUDEP）风险。
