MuBiNN: 用于脑电图信号分类的多级二值化循环神经网络
信号处理
2020-04-21 v1 机器学习
神经与进化计算
摘要
循环神经网络（RNN）广泛应用于脑电图分类等序列学习任务。复杂的RNN由于其计算和内存密集型的处理模式，难以部署在可穿戴设备上。通常，降低精度可大幅提升效率，二值化RNN作为节能解决方案被引入。然而，简单的二值化方法在脑电图分类中会导致显著的精度损失。本文提出了一种多级二值化LSTM，它在显著减少计算量的同时，确保了与全精度LSTM非常接近的精度。我们的方法将3位LSTM单元操作的延迟降低了47倍，而精度损失小于0.01%。
引用
@article{arxiv.2004.08914,
title = {MuBiNN: Multi-Level Binarized Recurrent Neural Network for EEG signal Classification},
author = {Seyed Ahmad Mirsalari and Sima Sinaei and Mostafa E. Salehi and Masoud Daneshtalab},
journal= {arXiv preprint arXiv:2004.08914},
year = {2020}
}
备注
To appear in IEEE International Symposium on Circuits & Systems in 2020. arXiv admin note: text overlap with arXiv:1807.04093 by other authors