一个节能的心电图处理器,具有超低参数多阶段神经网络和优化的二的功率定量化

科学领域:

• 生物医学工程 生物医学工程
• 计算机工程 计算机工程
• 人工智能的人工智能

背景情况:

• 心律失常会对健康构成重大风险,需要准确高效的检测方法.
• 现有的心电图 (ECG) 处理解决方案经常面临能源效率和计算复杂性的挑战.
• 算法-硬件联合设计提供了一个有前途的方法来优化专用硬件,用于复杂的信号处理任务.

研究的目的:

• 开发一个节能的心电图处理器,用于实时心律失常的分类.
• 设计一个轻量级的,两级神经网络架构,优化硬件实现.
• 提高低位量化精度,减少心电图处理中的计算开销.

主要方法:

• 算法-硬件共同设计,集成预处理和神经网络加速.
• 一个新的两级神经网络:离散波纹转换 (DWT) +超低参数多层感知器 (MLP),然后是组卷积和通道混合.
• 优化了Power-of-Two (OPOT) 量子化和一个不需要乘数的处理元件,以实现高效的低位运算.
• 在 65nm CMOS 工艺上实现,具有可重新配置的处理元件和适应的内存块.

主要成果:

• 在MIT-BIH数据集上使用4位重量精度对5类心律失常的分类达到98.59%的准确性.
• 在1V时,每次推断的能量消耗量为0.15J.
• 与最先进的方法相比,实现了64%的节能.
• 成功实现了一个轻量级的神经网络架构与硬件资源优化.

结论:

• 提出的节能电图处理器有效地分类心律失常,准确度高,功耗低.
• 算法-硬件共同设计方法和新型神经网络架构是实现显著节能的关键.
• OPOT量子化和无倍数设计有助于高效的低位精度处理可穿戴或植入心脏监测设备.