EKGNet：一种用于患者内心律失常分类的 10.96μW 全模拟神经网络
机器学习
2023-10-25 v1
摘要
我们提出一种将模拟计算与深度学习相结合的集成方法，用于心电图（ECG）心律失常分类。我们提出 EKGNet，一种硬件高效且全模拟的心律失常分类架构，以低功耗实现高精度。该架构利用晶体管在亚阈值区工作的能效优势，省去了模数转换器（ADC）和静态随机存取存储器（SRAM）。系统设计包含一种新颖的模拟时序乘累加（MAC）电路，可缓解工艺、电源电压和温度漂移。在 PhysioNet 的 MIT-BIH 和 PTB Diagnostics 数据集上的实验评估证明了该方法的有效性，在患者内心律失常分类和心肌梗死（MI）分类上分别取得 95% 和 94.25% 的平均平衡准确率。该创新方法为开发具有更高准确率和可迁移性的低功耗心律失常分类系统提供了可行途径。
引用
@article{arxiv.2310.15466,
title = {EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient Arrhythmia Classification},
author = {Benyamin Haghi and Lin Ma and Sahin Lale and Anima Anandkumar and Azita Emami},
journal= {arXiv preprint arXiv:2310.15466},
year = {2023}
}
备注
Accepted on IEEE Biomedical Circuits and Systems (BioCAS) 2023