能量受限下的远程心电监测：异常过滤优于预测不确定性

远程心电监测（ECG）在可穿戴设备上落地，始终面临一对矛盾：模型需要处理训练中从未见过的噪声和疾病类型，而设备的能量预算又极为有限。一篇新研究系统比较了两种技术路线——上游无监督异常检测（即过滤）与分类器自身的不确定性估计（如蒙特卡洛Dropout、深度集成），在PTB-XL和BUT QDB两个数据集上，结合微控制器CPU与NPU的真实能耗测量，给出了明确的倾向性结论。

问题背景：噪声与未知疾病下的监测决策

远程ECG监测系统通常部署在资源受限的微控制器上，采集到的信号不仅包含基线漂移、肌电干扰等噪声，还可能遇到训练集中不存在的疾病类别。传统做法是训练一个分类器，同时利用其输出的置信度或不确定性来决定是否拒绝（即弃权）。另一条思路是在分类器之前加一个无监督异常检测器，先把明显异常或噪声的片段过滤掉，只让“正常”片段进入分类器。

该研究试图回答：在有限能量预算下，哪种方式能更高效地提升监测决策的准确性？作者在PTB-XL和BUT QDB数据集上评估了五种异常检测器，并与蒙特卡洛Dropout和深度集成两种不确定性方法进行对比，所有性能均为五个训练随机种子的平均值。

实验设计：两阶段系统 vs. 不确定性估计

研究构建了一个两阶段系统：第一级是无监督异常检测器，第二级是窄型CPU分类器。对比基线包括两个端到端的不确定性模型——蒙特卡洛Dropout（多次前向传播以估计方差）和深度集成（多个模型集成）。评估场景覆盖四种疾病设置，并引入噪声条件，模拟真实部署中的分布偏移。

能耗测量在微控制器的CPU和NPU上分别进行，记录单次推理的能耗、延迟和图内存占用。作者还推导了能量方程，将过滤与拒绝操作同“避免的分类器执行”关联起来，从而公平比较不同方法在达到相同准确率峰值时的每输入能耗。

蒙特卡洛Dropout（MC Dropout）是一种常用的不确定性估计方法。在推理时，它保持Dropout层激活，对同一输入进行多次前向传播，得到多个预测结果。这些结果的均值作为最终预测，方差则反映模型的不确定性。方差大时，模型倾向于拒绝决策。深度集成（Deep Ensembles）则训练多个独立初始化的模型，推理时集成它们的预测，同样以预测方差衡量不确定性。两者均需多次网络执行，能耗较高。

NPU（神经网络处理单元）是专为加速神经网络推理而设计的硬件 accelerator，常见于现代微控制器和边缘设备。与通用CPU相比，NPU在执行矩阵乘法、卷积等操作时能效更高，但可能对某些操作（如多次前向传播中的控制流）支持不佳。本研究中，NPU上的能耗和延迟测量揭示了硬件平台对方法排序的影响：在低能量预算（1 mJ）下，单次前向的Deep SVDD领先；而在较高预算（10 mJ、100 mJ）下，MC Dropout因NPU对多次前向的优化而略占优势。

关键发现：Deep SVDD在CPU能量预算内领先

在四种疾病场景下，Deep Support Vector Data Description（Deep SVDD）在测试的所有有限CPU能量预算内，均取得了最高的平均AUC（受试者工作特征曲线下面积）。这意味着，在CPU上运行、能量受限时，上游异常过滤比分类器不确定性更能有效区分正常与异常样本。

在NPU上，结果略有分化：在1 mJ预算下Deep SVDD仍然领先，但在10 mJ和100 mJ时，蒙特卡洛Dropout的平均表现略高。研究者指出，这与NPU上重复评估的成本结构有关——不确定性方法需要多次前向传播，而异常检测单次前向即可。

两阶段系统（Deep SVDD + 窄型CPU分类器）将“正确分类或正确拒绝”的输入比例提升了15.0–19.4个百分点，相比无拒绝机制的分类器有显著改进。

Deep SVDD（Deep Support Vector Data Description）是一种基于深度学习的单类分类方法。其核心思想是训练一个神经网络将正常样本映射到特征空间中的一个中心点附近，而将异常样本推离该中心。推理时，样本到中心的距离超过阈值即被判定为异常。与需要异常样本进行监督训练的方法不同，Deep SVDD仅使用正常数据训练，因此非常适合检测训练中未见的噪声或疾病类型。其单次前向传播的特性也使其在能量受限场景下具有显著优势。

能耗对比：过滤方案比不确定性低一个数量级

能耗数据是这项研究最有说服力的部分。在每种方法回顾性选择的测试准确率峰值处，Deep SVDD两阶段系统的每输入估计能耗为1.93–6.99 mJ；蒙特卡洛Dropout为52.53 mJ；深度集成为8.76–17.51 mJ。也就是说，异常过滤方案的能耗比蒙特卡洛Dropout低一个数量级，比深度集成也低数倍。

这一差距来自结构差异：不确定性方法需要多次执行同一网络（MC Dropout）或多个网络（深度集成），而异常检测器只需单次前向传播，且被过滤掉的样本直接跳过了分类器执行，进一步节省能量。

局限与展望：独立验证和完整系统测量仍不可少

作者在结论中明确提醒，这些结果支持上游过滤用于高效远程监测，但仍需独立验证和完整系统的端到端测量。当前能耗估算排除了部署图之外的评分开销，且测试准确率峰值是回顾性选择的，实际部署中无法预知峰值点。此外，五种检测器在NPU上的行为差异提示，硬件平台会改变方法排序，实际选型需结合目标硬件。

对于可穿戴ECG设备的设计者，这项研究传递的信号是：在能量极度受限的CPU场景下，先用轻量无监督异常检测过滤，再执行分类，可能是比端到端不确定性估计更划算的策略。但若设备配备NPU且能量预算相对宽松，蒙特卡洛Dropout在较高能量档位下仍有竞争力。

对远程监测系统设计的启示

这项研究将“算法选择”与“能量预算”直接挂钩，而非孤立地比较准确率。对于远程心电监测，这意味着系统设计需要把异常过滤视为一种能量管理手段：过滤掉噪声和未知疾病片段，既减少了误报，又避免了不必要的分类计算。未来工作若能纳入完整系统测量和前瞻性验证，将为可穿戴设备的算法部署提供更可靠的依据。