基于自适应损失感知多比特网络量化的卷积神经网络心律失常分类器
信号处理
2022-03-01 v1 机器学习
摘要
心血管疾病（CVDs）是普遍致命的疾病之一，其早期检测是一项具有挑战性的任务。近年来，深度学习和卷积神经网络已广泛用于目标分类。此外，大量网络有望部署于可穿戴设备。为实现心律失常检测，越来越多的方法可用于 ECG 信号分类。然而，现有用于心律失常检测的神经网络因参数量巨大导致内存与功耗消耗，而对硬件不够友好。本文提出一种一维自适应损失感知量化方法，实现了 23.36 倍的高压缩率以降低内存消耗。为适配我们的压缩方法，我们需要更小更简单的网络。我们提出一个 17 层端到端神经网络分类器，在 MIT-BIH 数据集上训练以分类 17 种不同节律类别，实现了 93.5% 的分类准确率，高于大多数现有方法。由于自适应位宽方法使重要层获得更多关注并提供了剪枝无用参数的机会，所提量化方法避免了精度下降，甚至将准确率提升至 95.84%，较之前提高 2.34%。我们的研究实现了一个高性能、低资源消耗的一维卷积神经网络，其对硬件友好，并展示了部署于可穿戴设备以实现实时心律失常诊断的可能性。
引用
@article{arxiv.2202.12943,
title = {Arrhythmia Classifier Using Convolutional Neural Network with Adaptive Loss-aware Multi-bit Networks Quantization},
author = {Hanshi Sun and Ao Wang and Ninghao Pu and Zhiqing Li and Junguang Huang and Hao Liu and Zhi Qi},
journal= {arXiv preprint arXiv:2202.12943},
year = {2022}
}
备注
7 pages, 7 figures