同位数卷积神经网络及其用于发作检测的应用

科学领域:

• 人工智能的人工智能
• 生物医学工程 生物医学工程
• 信号处理 信号处理

背景情况:

• 传统的卷积神经网络 (CNN) 面临着高内存消耗和内核冗余的挑战.
• 这些局限性阻碍了实时,低功耗的应用程序,如发作检测系统.
• 过度装配在传统的CNN中是一个常见的问题,它会影响资源有限的环境中的性能.

研究的目的:

• 引入一个新的Cosine卷积神经网络 (CosCNN),以有效检测发作.
• 开发一个培训后量子化算法,用于硬件实现CosCNN.
• 展示拟议的发作检测系统的实时和低功耗能力.

主要方法:

• 开发了Cosine卷积神经网络 (CosCNN),使用具有两个可学习因子的强大的cosine内核.
• 提出了一种训练后量子化算法,利用一个等位数查找表和KL-分歧.
• 在现场可编程网关阵列 (FPGA) 上设计了一个可配置的共弦卷积加速器.
• 在Zedboard上部署了量子化CosCNN,以实时检测发作.

主要成果:

• 在量子化后,CosCNN实现了近75%的内存成本降低,精度损失最小.
• 基于FPGA的CosCNN加速器展示了实时和低功耗的操作.
• 波恩和CHB-MIT脑电图数据库的评估证实了CosCNN的卓越表现.
• 由于CosCNN的表现优于传统的CNN和其他现有的发作检测方法.

结论:

• 拟议的CosCNN为发作检测提供了一个高效和准确的解决方案.
• 量子化和硬件加速使边缘设备的实时,低功耗部署成为可能.
• 科斯CNN代表着可穿戴和可访问的监测系统的重大进步.