智能家居中的邊緣計算

黃倩怡 李志洋 謝文濤 張 黔

1(南方科技大學未來網絡研究院 廣東深圳 518055) 2(鵬城實驗室 廣東深圳 518055) 3(香港科技大學計算機科學及工程系 香港特別行政區 999077)qianzh@cse.ust.hk)

在中國，智慧家居市場規模正以每年20%～30%的速度增長.據前瞻產業研究院預計，中國智能家居市場規模2021年將達到4 369億元[1].2個方面的需求促成了市場的高速增長，一方面，隨著社會人口老齡化，老年人口的比例逐年增加，空巢老人依賴智能家居系統給予生活輔助和健康管理；另一方面，新生代消費群體追求高效、舒適的生活，智能化已成為年輕消費者對家居環境的基本要求.面對快速增長的市場需求，國家也加大了對智能家居以及物聯網技術的投入和支持.在利好政策和社會需求的大力推動下，越來越多的智能設備走入千家萬戶.從智能音箱到掃地機器人，從智能門鎖到遠程醫療，無一不體現技術在智能家居場景下的魅力和潛力.

智能家居技術主要涵蓋感知、通信和計算3個層次，如圖1所示.感知技術利用豐富的傳感器感知周圍環境和用戶活動；通信技術實現智能設備的互通互聯，完成數據傳輸和指令交互.此外，云計算、邊緣計算分別利用不同節點的計算能力共同完成數據處理任務，實現智能服務.

本文關注智能家居中的健康管理.隨著我國的城市化進程和社會老齡化趨勢加劇，持續增加的老年人口面臨照護資源的極大短缺，需要借助科技的力量來解決人口老齡化問題.隨著技術的發展，利用豐富的感知技術來實現健康監測已日益完善，結合大數據的處理能力，基于觀測到的數據實現智能診斷也日趨成熟.不同于現有工作，我們著重討論如何充分發揮邊緣節點在健康管理中的作用，克服現有技術面臨的瓶頸與局限.

在《Edge Computing: A Primer》[2]一書中，作者將“邊緣計算”定義為數據源頭和云數據中心之間的計算和網絡資源(we define “Edge” as any computing and network resources along the path between data sources and cloud data centers).智能手機可以視為連接可穿戴設備與云服務器的邊緣節點，智能網關是智慧家居中的邊緣節點.除了計算和連接的能力,智能手機和智能網關本身作為一個強大的節點，具備豐富的感知能力.例如，手機上豐富的傳感器可以感知用戶的活動和情境[3-4]，無線路由器可以感知家中用戶的實時位置[5-7].因此，邊緣節點兼具感知、通信和計算的能力于一體.本文圍繞智能家居中用戶健康管理的場景，介紹我們在邊緣節點的感知、通信和計算上開展的研究工作.

在感知方面，邊緣節點和終端節點最大的不同在于其泛在感知能力.泛在感知根據無線信號的傳播、反射和散射特性，分析信號的傳播路徑，從而對用戶行為或周邊環境進行監測.作為邊緣節點的手機和無線路由器都能發送和接收信號，具備泛在感知能力.相比于接觸式感知，泛在感知無需用戶佩戴特定設備，因而更舒適，易為用戶接受.在本文中我們以非接觸式呼吸監測為例，介紹我們所做的研究和取得的進展.

引入泛在感知后，無線信號既需要承載數據信號又要完成感知任務，而通信和感知之間存在著矛盾關系.感知是通過發送已知信號來探測周圍的環境變化，通信則是由發送端向接收端發送變化的、未知的信號.為了實現高效的頻率利用效率，需要將感知和通信進行融合設計.在通信方面，我們研究如何在環境感知的同時向周圍的設備傳遞信息，兼顧無線通信與無線感知.

在健康管理中，將用戶的健康數據上傳到云端面臨隱私泄露和數據安全問題.相比之下，由邊緣節點來進行數據處理可以更好地保護用戶隱私，用戶對數據管理具有更高的主動權.在計算方面，我們探索如何將聯邦學習應用于智能家居中的感知數據，由可信任的邊緣節點聯合云服務器、其他邊緣節點，在不泄露用戶數據的前提下建立個性化機器學習模型，并通過優化降低聯邦學習中數據交互和計算的開銷.

1 從可穿戴設備到泛在感知：呼吸監測

2013年前后，主導個人健康管理的可穿戴設備市場進入了快速發展的階段，智能手環、智能手表、智能眼鏡等可穿戴設備層出不窮.然而，隨著時間的推移，續航能力差、長時間佩戴不舒適等因素造成用戶對可穿戴設備的黏度不如預期.研究人員為了克服可穿戴設備存在的種種問題，提出了泛在感知的方式，利用周圍環境中存在的無線信號來監測用戶行為，從而擺脫對可穿戴設備的依賴.當無線信號在空中傳播時，信號的物理特征(如幅值、相位、多普勒頻移)與信號的傳播途徑息息相關.因此，人的位置、動作都會對信號的傳播產生影響，甚至細微的手勢動作、呼吸時胸腔的起伏都會在信號的物理特征中反映.因此，泛在感知利用空氣中存在的無線信號，對用戶進行非接觸式感知.相比于可穿戴設備，泛在感知不要求用戶佩戴設備，克服了續航時間短、舒適性差等問題.現有的研究工作利用WiFi信號、毫米波、超聲信號實現了不同方面的健康監測，如睡眠監測[8-9]、跌倒檢測[10-11]、步態分析[12]等.本文重點介紹我們在呼吸監測方面所取得的進展.

傳統的呼吸監測方案大多依賴專有的設備，如口鼻氣流傳感器和胸腹部呼吸帶，通過監測口鼻氣流變化或腹部的壓力變化得到呼吸率.這類方式雖然能獲得準確的測量結果，但是舒適性差，不適合長時間監測或在日常工作、生活中使用.為了提供更舒適的監測方式，研究人員利用電磁信號(如WiFi[13]、毫米波雷達[14])和聲音信號監測呼吸率[15].這一類方法的工作原理是：在呼吸的過程中，胸腔會有周期性的起伏變化，通過分析胸腔表面反射的無線信號，實現非接觸感知，擺脫了穿戴設備的束縛.

雖然有不少非接觸式呼吸監測的研究工作，然而存在一些共性的不足.下面，我們將分別從聲音信號和電磁信號2個方面分別闡述現有工作的不足以及我們所做的研究工作.

1.1 利用聲音信號監測呼吸

在利用呼吸信號進行感知時，為了避免發出噪聲，現有的工作通常利用18～22 kHz的超聲頻段.雖然成年人只能聽到18 kHz以下的聲音，但是嬰兒和兒童可以聽到18 kHz以上的聲音[16].這些聲音信號對嬰兒和兒童而言就是難以忍受的噪音.然而，大部分智能手機中的麥克風和揚聲器僅能支持22 kHz頻率以下聲音的發送和接收.為了解決這個問題，我們考慮利用音樂和廣播節目的聲音信號來實現呼吸監測.當智能音箱或手機在播放音樂或廣播節目的同時監測用戶的呼吸，對嬰兒和兒童而言，這些聲音不再是噪聲.

利用音樂或廣播進行呼吸監測面臨2個挑戰.第1個挑戰是，音樂和廣播節目所發出的聲音信號是持續且隨機的，不具備幀結構以及特定的前導碼，無法用現有的信道估計方法進行信道估計.第2個挑戰是，現在手機通常采用MEMS封裝的麥克風和揚聲器，兩者之間采用獨立的采樣時鐘，2個時鐘之間存在頻率差異.隨著時間的推移，頻率差異會不斷累積導致發送和接收端存在較大的時間差，從而導致得到的信道估計失真.

為了解決第1個挑戰，我們先將音頻信號按固定時長Tframe進行切割，每一段為一幀,根據每一幀發送出的信號和收到的信號計算信道沖擊響應(channel impulse response, CIR)，如圖2(a)所示.因為音樂或廣播信號為連續的音頻信號，由于傳播延遲，收到的信號中不僅包含當前幀的內容，還包含上一幀末尾的片段，在計算CIR時，幀與幀之間會相互干擾.我們通過選擇合適的幀長度來減小幀與幀之間的干擾.假設監測的最大距離為4 m，已知聲速為340 ms,最大的時延τmax=2×4340≈0.02 s.在選擇幀長Tframe時，如果Tframe?τmax，則上一幀末尾片段的比重趨于0，幀與幀之間的干擾可以忽略不計；然而，如果Tframe過大，信道估計的周期太長，不能很好地反映信道變化.經過綜合考量和實驗結果，我們將設Tframe=0.4 s.

Fig. 2 Utilize static paths to calibrate the clock drift between the speaker and microphone圖2 根據靜止路徑校準麥克風和揚聲器之間的時鐘偏移

為了解決第2個挑戰，我們通過靜止的傳播路徑估算麥克風和揚聲器之間的時鐘偏移，并以此校準CIR.CIR的橫軸為時間，縱軸為幅值，而時間與距離可以由聲音在空氣中的傳播速度相互換算，因此，CIR表示的物理意義為來自不同距離的信號能量.時鐘偏移帶來的采樣偏差隨時間線性增加，反映在CIR上，即隨著時間推移，CIR會沿著時間軸平移，如圖2(a)所示.我們將同樣的信道條件下3 cm前后測得的CIR進行對比，發現3 cm后CIR向后偏移了20多個距離區間，即CIR中的路徑延時是真實的傳播延時和時鐘延時的綜合反映.為了得到真實的路徑延時，須消除時鐘延時的影響.為此，針對每一個信號幀我們計算CIR，找到峰值及對應的距離區間，記錄每個峰值對應的距離區間；連續的2個幀之間，如果峰值對應的距離區間很接近，即認為是來自同一個物體的反射.例如，在第N幀中，找到峰值對應的索引為[7,25,43,…];在第N+1幀中，峰值對應的索引為[8,26,44,…].我們認為，第N幀中索引25和第N+1幀中索引26對應的峰值為同一個物體的反射，發生偏移的原因是收發兩端的時鐘差異.在靜止的情況下，CIR的變化僅由時鐘偏差造成，索引會隨時間線性變化.在所有記錄的索引序列中，找到線性度最好的路徑，視為靜止路徑，對其進行線性擬合，如圖2(b)所示.虛線代表原始的索引序列，實線為擬合的直線，直線的斜率反映了時鐘偏移的速率，以此來修正每一幀的CIR.

在短時間內時鐘偏移帶來的影響較小，通常需要一定時間的積累才能導致一個采樣點的偏移，如圖2(c)所示.為了準確估計時鐘偏移速率，我們將信號進行100倍上采樣，使得可以更精準地進行修正.例如，假設每10幀會產生一個采樣點的偏移，在修正時，只能每10幀進行一次修正；然而，在進行100倍上采樣后，每一幀都會產生10個采樣點的偏移，可以逐幀修正時鐘誤差.在圖2(d)中，我們可以看到，在進行修正之前，在靜止情況下估算的距離隨時間線性變化(細虛線)，如果不進行上采樣，不能完全消除時鐘偏移帶來的影響(粗虛線).進行上采樣處理后，可以基本消除時鐘偏移的影響，測得的距離保持不變(實線).

在實驗中，我們測試了不同的聲音類型，包括搖滾、流行、民謠音樂和新聞,在11個志愿者身上的平均誤差小于0.5 BPM(beats per minute).誤差隨著手機與用戶的距離增大而增大，當手機與用戶的距離在1 m以內，平均誤差約為0.5 BPM.

1.2 利用電磁信號監測呼吸

現有的呼吸監測工作要求用戶處于靜止的狀態.當用戶處于運動的狀態時，無法將身體其他部分的運動與胸腔的起伏分解開來，呼吸帶來的信號變化湮沒在更大幅度的信號變化中.我們通過測試發現，即使對于站立的用戶，現有的方案也無法準確監測其呼吸率，因為用戶站立時身體存在不自主的晃動，該晃動會掩蓋呼吸造成的影響.

我們觀察到，當在用戶的身體前后各放置一個雷達時(如圖3所示),人的呼吸導致的胸腔擴張和收縮只會影響到前方雷達的相位，而不會影響到后方雷達.當雷達在進行測距時，d1會發生變化而d2不變；然而，當人朝著一個方向移動時，運動對2個雷達都會造成影響，并且該影響是相反的.因此，通過將2個雷達的相位相加，可以消除運動帶來的變化而保留呼吸帶來的變化.

假設用戶運動的位移為x(t),胸腔由于呼吸造成的位移為d(t),前后2個雷達的相位變化分別為Δφ1(t)和Δφ2(t)，則2個雷達的相位變化可計算為：

將Δφ1(t)和Δφ2(t)相加，x(t)被消除而d(t)被保留下來，即消除運動導致的位移而保留呼吸帶來的胸腔起伏變化.我們通過雙雷達的呼吸監測系統，可以成功地恢復出站立用戶的呼吸率.在后續工作中，我們希望通過增加雷達數目來實現走路、跑步過程中的呼吸監測.

2 邊緣感知與通信的融合設計

無線感知通過發出一段已知的信號序列，對比發出和收到的序列來計算信道狀態信息，推測信號的傳播路徑，從而感知周圍環境；而無線通信則利用無線信道來承載通信信號，對于接收端而言，發出的信號是變化的、未知的.無線感知和無線通信之間的差異使得兩者通常被視為獨立的系統來進行設計和優化.然而，在物聯網時代，愈來愈多的物聯網設備將通過無線頻譜接入網絡.有限的頻譜資源既要感知周圍環境，同時要滿足通信需求.當感知與通信共同占用無線頻譜時，需考慮如何高效、合理地利用有限的頻譜資源.

雖然已有不少工作通過WiFi信號來感知周邊環境，通過前導碼序列來估算信道，由于通信和感知本質上的差異，這一類的工作存在矛盾的設計思路.從優化通信出發，希望降低前導碼的比重以提升通信效率，而感知應用則希望有大量短而頻繁的包來獲得詳盡的信道信息，從而提高感知細粒度.基于當前從前導碼獲取信道狀態信息的設計思路，感知和通信之間存在難以調和的矛盾.為了解決這一矛盾，我們將感知和通信進行融合設計，設計可以攜帶信息的感知信號，不僅前導碼部分可以用于感知，數據部分也可以用于感知，同時完成無線感知和無線通信.

感知和通信的融合設計難點在于，感知信號通常為寬帶信號，而通信信號通常為窄帶信號.一方面，感知的精度與信號帶寬成反比，帶寬500 MHz的信號可以區分相距30 cm的2個物體，帶寬1 GHz的信號可以區分相距15 cm的2個物體,感知信號通常為大帶寬信號以取得精準的感知結果；另一方面，受限于設備成本和功耗限制，常用的通信標準采用窄帶信號，如WiFi信號的帶寬為20 MHz，藍牙信號寬帶為1 MHz.為了解決這一矛盾，我們借助電路中存在的非線性現象來匹配兩者帶寬上的不同.電路的非線性特性表現為輸出信號中包含輸入信號的非線性諧波，例如，當輸入信號中包含頻率fin,非線性諧波中包含輸入頻率的高次諧波，如二次諧波2fin、三次諧波3fin等;當輸入信號中包含頻率f1和f2,其二次諧波可以展開為

可以看到，諧波中包含頻率2f1,2f2,f1-f2和f1+f2.這意味著，當2個信號輸入非線性電路中會有一個諧波，其頻率是2個輸入信號的頻率差.

感知雷達中常用的信號是線性調頻連續波(frequency modulated continuous wave, FMCW)，即雷達信號隨時間線性增加(見圖4).當2個FMCW信號之間的頻率差為固定值時(如圖5所示)，它們經過非線性電路時，諧波f1-f2為一個固定值，即為一個窄帶信號.在現在的雷達中，為了獲得更好的感知結果，通常會具備多根發送和接收天線，S1和S2可以是不同天線發出來的信號.

Fig. 4 Working Principle of FMCW radar圖4 FMCW測距原理

Fig. 5 Frequency modulated continuous wave (FMCW)圖5 線性調頻連續波

我們可以將數據s(t)調制到一個信號上，如一個天線上的信號為TX1=s(t) sinf1(t)t，而另一個天線上的信號不做改變，即TX2=sinf2(t)t.定義fC為2個信號的頻率差，即f2(t)-f1(t)=fC.收到的信號可以寫作：

RX=TX1+TX2+(TX1+TX2)2+…=…+
s2(t)[sinf1(t)t]2+2s(t) sinf1(t)tsinf2(t)t+
[sinf2(t)t]2+…=…-s(t)cos [f1(t)+
f2(t)]t+s(t) cos [f1(t)-f2(t)]t+….

(1)

根據式(1)，數據被調制到了頻點fC=f2(t)-f1(t)上.通過這樣的設計，寬帶的雷達信號中攜帶了窄帶的數據信息，可以被通信設備解調.

更近一步地，我們讓2個掃頻信號錯開半個周期，如圖6所示.在0到T2之間，fC=f1(t)-f2(t)=BW2;在T2到T之間，fC=f2(t)-f1(t)=BW2.這種設計的優勢在于，當我們在感知信號中攜帶通信數據時，不影響感知的精度.根據雷達理論，感知的精度和信號帶寬成反比，即r=c2B，c為光速，B為信號帶寬.因為感知信號的帶寬不變，感知的精度不受影響.通過這樣的設計，我們使得同樣的頻譜資源既可以用于感知，又能用于通信，提高了頻譜利用效率，化解了現有無線感知和無線通信系統之間的矛盾關系.

Fig. 6 Two signals are offset by the half chirp duration圖6 2個信號相差半個周期

以上我們討論的是如何在感知的同時完成信號的發送，接下來我們討論如何在感知的同時完成信號的接收，難點在于雷達需要同時接收感知信號和數據信號.如圖4所示，雷達發送出一個線性調頻連續波，信號經過傳輸和反射返回到雷達時產生了一定的延時，該延時即信號的傳播時間.雷達接收端將收到信號與發出信號進行混頻操作，得到兩者之間的頻率差Δf.從圖4可以看出，該頻率差與傳播時間成正比.又因為傳播時間與傳播距離的關系，可以從Δf計算物體和雷達之間的距離.假設FMCW信號的帶寬為1 GHz,掃頻用時1 ms,最大可以探測的范圍為10 m.計算可得，Δf的最大值為

由此可見，雷達接收到的感知信號經過混頻操作后為一個低頻信號，其最大頻率取決于雷達的頻率變化速率和最大可以探測的范圍.

為了避免感知信號和數據信號相互干擾，我們可以在頻率上將兩者區分開來.根據上述分析，感知信號在基帶上的頻率在0到Δfmax之間.我們將數據信號下變頻至頻點Δfmax+B,保證在基帶信號上，數據信號和感知信號至少有帶寬B的間隔.通過這樣的設計，雷達可以將感知信號和數據信號分解開來.

在實驗中，我們將LoRa信號調制到了FMCW信號上.在接收端，雷達信號經過非線性電路，產生了可以被商用模塊解調的LoRa信號，在室內的傳輸距離為16 m.同時，雷達也能接收LoRa節點上傳的數據信號.我們也通過實驗測試了雷達的感知精度，與不進行數據通信時相比，雷達精度不受到影響.

3 邊緣計算與機器學習

圍繞著一個用戶，多樣的感知方式帶來了豐富的數據.結合機器學習強大的能力，這些數據可以用于分析用戶的行為偏好、健康狀況甚至心理狀態[17].現有的機器學習模型通常是為全局優化，通過收集大量人群的數據，建立一個普適的模型.然而，個體與個體之間的差異性卻被忽視，普適的模型對個體而言往往不是最優的.為了解決這個問題，學者們提出了個性化機器學習(personized machine learning, PML)[18-19]的概念來對個體進行針對性優化.然而，研究面臨著2個方面的挑戰.一方面，從每個個體上采集到的數據往往數量有限且是無標簽數據，無法要求每個用戶花費時間精力為自己的數據添加標簽.因此，僅僅依靠個體的數據無法得到一個準確的模型.因此，學者們提出了利用他人的標簽數據來訓練模型，針對每個個體，根據個體的數據來調整模型以最好地適配目標個體，即遷移學習中的無監督領域自適應[20-21].在無監督領域自適應中，他人的標簽數據稱為源域，目標個體的數據稱為目標域.另一方面，個體的數據包含隱私信息，例如其健康狀況、經濟狀況，用戶不愿意將這些敏感信息交予他人.為此，學者們提出了聯邦學習[22]范式，每個個體在自己的本地進行訓練，在訓練的過程中多方共享最新的模型參數以在本地進行下一輪的迭代優化.

有學者將2個角度結合起來，提出了聯邦遷移學習.在這樣的學習框架中，邊緣計算凸顯優勢.相比于計算能力、功耗受限的終端，邊緣節點具有更強的運算能力；相比于云服務器，將數據儲存在邊緣節點可以避免敏感信息泄露，用戶對數據具有更強的管理權限.因此，將設備上傳的健康數據儲存在邊緣節點，由邊緣節點參與聯邦學習，可以充分利用邊緣節點的計算能力，并保護用戶的數據隱私，如圖7所示:

Fig. 7 Edge computing and federated transfer learning圖7 邊緣計算與聯邦遷移學習

然而，現有的聯邦遷移學習[23-24]不適用于我們的場景.首先，它要求個體的部分數據為標簽數據，為半監督遷移學習，而并非無監督學習.在現實生活中，用戶采集到的數據是不包含標簽的，例如，用戶無法為自己的睡眠數據添加睡眠分期標簽.其次，它采用的對齊損失函數(alignment loss)不適用于我們的場景.對齊損失函數是領域自適應中用于衡量源域和目標域差異的指標，在訓練過程中通過優化該指標來盡量縮小源域和目標域的差異.現有的聯邦遷移學習框架的對齊損失函數是基于已知的源域-目標域樣本對[25]，例如當源域是文本數據而目標域是圖像數據時，某張圖片和某些文本之間存在一定的語義聯系，因此構成了文本-圖像樣本對.而在我們的場景中，不同用戶的感知樣本之間不一定存在這樣的聯系.

為此，我們針對感知的場景設計了一個聯邦遷移學習的模型訓練框架.無監督領域自適應的一個常用方法是將模型分為特征提取器和分類器2部分，特征提取器用于將數據映射到特征空間，分類器基于特征進行分類.為了使訓練得到的分類器在目標域上達到較好的效果，需要縮小源域和目標域在特征空間的分布差異.在我們的框架中，為了衡量該分布差異，采用的對齊損失函數是最大均值差異(maximum mean discrepancy, MMD)[26-27]，這也是無監督領域自適應中常用的一個對齊損失函數.無監督領域自適應的訓練過程通常分為預訓練和微調2部分.我們的框架采取相同的模型劃分方法和訓練過程.首先在源域中對特征提取器和分類器進行預訓練;然后源域將特征提取器的權重發送給目標域，準備進行二者協作的微調階段.在微調階段，對于每一批數據的處理可以分為4步：前饋、分類損失函數及梯度計算、MMD損失函數及梯度計算、模型參數更新.其中第1,2,4步較為簡單，源域及目標域獨立操作即可，無需進行數據交換.第3步最為復雜，需要進行大量交互.

MMD損失函數的定義為

其中,cm是常數，fm(v)為常數1或者向量元素組成的多項式，gm(v′)與fm(v)含義相同.因此，為了計算第3部分，需要一方把每一個特征向量的所有fm(v)都發給另一方.

對于2個域的MMD梯度的計算，我們以目標域為例，對于該域而言MMD損失函數第1部分的梯度為0，第2部分的梯度可以獨立計算.對于第3部分的梯度，實際上是各個核函數的梯度之和，單個核函數的梯度可以表示為

因此，與計算第3部分損失函數類似，計算第3部分的梯度同樣需要對方(此處指源域)將每一個特征向量的所有fm(v)都發給另一方.這個方案具有較高的計算和通信開銷.為了解決這個問題，我們進一步做了2方面的改進.

1) 基于MMD損失函數第3部分求和的特點，不對每個核函數單獨考慮，而是將第3部分作為一個整體.對于第3部分的求和部分的值以及梯度可以做如下變換：

2) 基于鏈式法則對梯度計算進行改進.我們不再直接計算梯度，而是先計算MMD損失函數對于特征向量的偏導，再計算特征向量對于參數的偏導:

這里的鏈式法則不用考慮對方的特征向量.由于特征向量對于參數的偏導雙方可以獨立計算，所以雙方只需要交換數據來計算MMD損失函數對于特征向量的偏導，并發送該偏導給對方解密.假設模型的參數數量為M，訓練的批量大小為N，特征向量長度為L，則優化后和優化前發送偏導及梯度的通信開銷的比值是N×LM.模型的參數數量M通常非常大，而N和L則小的多.在我們的一次實驗中，M約為40 000，而N和L分別為64和32.因此該方法可以降低大量通信開銷.

此外，這2項優化還大大減少了加密、解密以及密文上運算的次數，因此也減少了大量的計算開銷.在對于一個無線手勢感知數據集的實驗中，微調階段的每一個批次優化前耗時至少45 min，而優化后耗時僅2 min.最終，微調階段結束之后，源域將訓練好的分類器權重發送給目標域.目標域將自己的特征提取器和接收到的分類器組合起來即得到最終的模型.

4 結 語

邊緣計算填補了云計算在響應延時、數據安全等方面的不足，成為智能家居場景下的未來趨勢.本文從感知、通信和計算3個方面探索智能家居場景下的邊緣計算.在感知方面，以呼吸監測為例，探索邊緣節點的泛在感知能力.我們研究如何利用環境中已有的聲音(音樂、廣播節目)進行呼吸監測，以及用雙設備消除用戶運動對呼吸監測的干擾.在通信方面，我們對感知和通信信號進行聯合設計，使得無線信號在進行感知的同時也能向外傳遞信息，在有限的頻譜資源上兼顧感知和通信；在計算方面，我們研究在保護用戶隱私的前提下建立用戶的個性化模型，并通過優化計算過程降低聯邦學習中的計算和通信開銷.在未來的研究工作中，我們希望繼續探索邊緣節點在智能家居中的潛力，加速智能家居場景落地，讓技術改變人類未來的生活方式.