RT-RCG：面向心电图中有效实时 ECG 重建的神经网络与加速器搜索
硬件体系结构
2021-11-05 v1 机器学习
摘要
起搏器提供的信号（即心电内电图 (EGM)）与医生用于诊断异常节律的信号（即 12 导联心电图 (ECG)）之间存在差距。因此，前者即使被远程传输，也不足以让医生提供精确的诊断，更不用说进行及时的干预。为了缩小这一差距，并针对不规则且罕见的室性节律的即时响应实时关键干预迈出启发式的一步，我们提出了一种名为 RT-RCG 的新框架，以自动搜索 (1) 高效的深度神经网络 (DNN) 结构，然后 (2) 相应的加速器，从而实现从 EGM 信号实时且高质量地重建 ECG 信号。具体而言，RT-RCG 提出了一种专为从 EGM 信号重建 ECG 而定制的新型 DNN 搜索空间，并集成了一个可微加速搜索 (DAS) 引擎，以在庞大且离散的加速器设计空间中高效导航，生成优化的加速器。在各种设置下的大量实验和消融研究一致验证了我们 RT-RCG 的有效性。据我们所知，RT-RCG 是首个利用神经架构搜索 (NAS) 同时解决重建有效性和效率问题的工作。
引用
@article{arxiv.2111.02569,
title = {RT-RCG: Neural Network and Accelerator Search Towards Effective and Real-time ECG Reconstruction from Intracardiac Electrograms},
author = {Yongan Zhang and Anton Banta and Yonggan Fu and Mathews M. John and Allison Post and Mehdi Razavi and Joseph Cavallaro and Behnaam Aazhang and Yingyan Lin},
journal= {arXiv preprint arXiv:2111.02569},
year = {2021}
}
备注
JETC Special issue on Hardware-Aware Learning for Medical Applications (Waiting assignment to batch)