面向边缘设备的基于 CNN 的心电分类器多阶段剪枝
机器学习
2021-09-07 v1 信号处理
摘要
使用智能可穿戴设备监测患者的心电图（ECG）以实时检测心律失常可显著改善医疗结果。基于卷积神经网络（CNN）的深度学习已成功用于检测 ECG 中的异常心搏。然而，现有 CNN 模型的计算复杂度阻碍了它们在低功耗边缘设备中的实现。通常，此类模型较为复杂，具有大量模型参数，导致边缘设备中计算量、内存和功耗较大。网络剪枝技术可降低 CNN 模型的复杂度，但会以性能为代价。本文提出了一种新颖的多阶段剪枝技术，与现有剪枝技术相比，它以可忽略的性能损失降低了 CNN 模型的复杂度。一个现有的用于 ECG 分类的 CNN 模型被用作基线参考。在 60% 稀疏度下，所提技术在 ECG 分类任务中达到 97.7% 的准确率和 93.59% 的 F1 分数。与带微调的传统剪枝相比，准确率和 F1 分数分别提高了 3.3% 和 9%。与基线模型相比，我们还实现了 60.4% 的运行时间复杂度降低。
引用
@article{arxiv.2109.00516,
title = {Multistage Pruning of CNN Based ECG Classifiers for Edge Devices},
author = {Xiaolin Li and Rajesh Panicker and Barry Cardiff and Deepu John},
journal= {arXiv preprint arXiv:2109.00516},
year = {2021}
}
备注
4 pages