监督的对比学习框架和学习ResNet的硬件实现,用于实时呼吸声分类

科学领域:

• 医疗器械技术 医疗器械技术
• 机器学习用于医疗保健
• 用于诊断的信号处理.

背景情况:

• 呼吸声分类对于诊断儿科疾病至关重要.
• 数据稀缺和阶级不平衡在训练诊断模型方面带来了重大挑战.
• 实时监控需要高效且低延迟的计算硬件.

研究的目的:

• 开发一个监督对比学习 (SCL) 框架,用于强大的呼吸声分类.
• 在现场可编程网关阵列 (FPGA) 上实现已学习的ResNet模型,用于实时监控.
• 优化算法和硬件方面,以实现高效和准确的呼吸声分析.

主要方法:

• 利用监督对比学习 (SCL) 与功能增强和MixUp来解决数据限制.
• 在预处理和SCL中使用贝叶斯优化来调整超参数.
• 实现了算法与硬件的共同优化,包括量化意识训练 (QAT) 和网络层合并,用于FPGA部署.

主要成果:

• 在使用SPRSound数据集进行多类分类任务时,在ResNet-18模型上获得了0.8725的总分.
• 通过硬件优化,模型大小减少40%,计算延迟减少70%.
• 在Xilinx Zynq ZCU102 FPGA上部署了ResNet模型,具有16ms的延迟和最小的推理退化 (<2%).

结论:

• 拟议的SCL框架有效地处理呼吸声分类中的数据稀缺性和类不平衡.
• 算法-硬件协同优化使FPGA高精度的高效实时呼吸监测成为可能.
• 这种综合方法证明了便携式和准确的儿科呼吸道诊断的可行解决方案.