用于可穿戴设备脑电分类的多级二值化 LSTM
机器学习
2020-04-24 v1 分布式、并行与集群计算
信号处理
摘要
长短期记忆网络（LSTM）被广泛应用于各种序列任务中。由于巨大的计算量和存储需求，复杂的 LSTM 很难部署在可穿戴和资源受限的设备上。二值化 LSTM 被引入以应对该问题，然而它们在脑电（EEG）分类等一些对可穿戴设备部署至关重要的应用中会导致显著的精度损失。本文提出一种高效的多级二值化 LSTM，其大幅减少了计算量，同时保证了与全精度 LSTM 非常接近的精度。通过部署 5 级二值化权重和输入，我们的方法在 65nm 工艺下将乘加（MAC）运算的面积和延迟分别降低约 31 倍和 27 倍，且精度损失小于 0.01%。与许多计算密集型的深度学习方法不同，所提算法轻量，因此为实时可穿戴设备带来了基于 LSTM 的精准脑电分类的性能效率。
引用
@article{arxiv.2004.11206,
title = {Multi-level Binarized LSTM in EEG Classification for Wearable Devices},
author = {Najmeh Nazari and Seyed Ahmad Mirsalari and Sima Sinaei and Mostafa E. Salehi and Masoud Daneshtalab},
journal= {arXiv preprint arXiv:2004.11206},
year = {2020}
}
备注
o appear in IEEE International Conference on Parallel, Distributed and Network-based Processing in 2020. arXiv admin note: text overlap with arXiv:1812.04818 by other authors