基于超轻量二值神经网络的心律失常分类器
信号处理
2023-08-28 v2 机器学习
摘要
通过 ECG 信号合理有效地监测心律失常对人类健康具有重要意义。随着深度学习的发展，众多基于深度学习的 ECG 分类算法涌现。然而，现有多数算法以复杂模型换取高准确率，导致高存储占用与高功耗。这也不可避免地增加了在资源受限的可穿戴人工智能物联网（AIoT）设备上实现的难度。本研究提出了一种通用超轻量二值神经网络（BNN），能够基于 ECG 信号进行 5 类与 17 类心律失常分类。我们的 BNN 在 5 类与 17 类分类上分别达到 96.90%（全精度 97.09%）与 97.50%（全精度 98.00%）的准确率，且具有 SOTA 存储占用（3.76 KB 与 4.45 KB）。相较于其他二值化工作，我们的方法支持两种多分类模式的同时实现了已知最小存储空间。此外，我们的模型在 17 类分类上取得最优准确率，并拥有简洁优雅的网络结构。我们所用的算法专门针对硬件实现进行了优化。我们的研究展示了轻量深度学习模型在医疗健康行业、特别是可穿戴医疗设备中的潜力，其对于改善患者预后与生活质量大有可为。代码见：https://github.com/xpww/ECG_BNN_Net
引用
@article{arxiv.2304.01568,
title = {Arrhythmia Classifier Based on Ultra-Lightweight Binary Neural Network},
author = {Ninghao Pu and Zhongxing Wu and Ao Wang and Hanshi Sun and Zijin Liu and Hao Liu},
journal= {arXiv preprint arXiv:2304.01568},
year = {2023}
}
备注
6 pages, 3 figures