面向低功耗可穿戴平台的卷积-循环神经网络用于心律失常检测
信号处理
2020-07-07 v1 机器学习
机器学习
摘要
低功耗传感技术（如可穿戴设备）已在医疗健康领域兴起，因其可实现生理信号的连续、无创监测。为使此类设备具备临床价值，经典信号处理面临诸多挑战。然而，数据驱动方法（如机器学习）虽精度可观，却以高资源与内存消耗为代价。本文关注运行于微控制器及低功耗处理器（可穿戴传感器与设备通常配备此类器件）上的神经网络推理。具体而言，我们将一种已有的卷积-循环神经网络（该网络设计用于从单导联心电图检测并分类心律失常）适配至Nordic Semiconductor的nRF52低功耗嵌入式片上系统（配备ARM Cortex-M4处理核）。我们展示了采用定点精度并使用CMSIS-NN库的实现，其分数由原实现的0.8降至0.784，内存占用为195.6KB，吞吐量为33.98MOps/s。
引用
@article{arxiv.2001.03538,
title = {Convolutional-Recurrent Neural Networks on Low-Power Wearable Platforms for Cardiac Arrhythmia Detection},
author = {Antonino Faraone and Ricard Delgado-Gonzalo},
journal= {arXiv preprint arXiv:2001.03538},
year = {2020}
}
备注
Accepted for presentation in the 2nd IEEE International Conference on Artificial Intelligence Circuits and Systems (AICAS2020)