文献

J-GLOBAL ID：202002217494426806   整理番号：20A2783448

資源制約デバイスのための層毎量子化畳込みニューラルネットワークを用いた不整脈分類器【JST・京大機械翻訳】

Arrhythmia Classifier Using a Layer-wise Quantized Convolutional Neural Network for Resource-Constrained Devices

著者 (6件)： Li Zhiqing (School of Electronic Science and Engineering, Southeast University, Nanjing, Jiangsu China) ,  Li Hongwei (School of Electronic Science and Engineering, Southeast University, Nanjing, Jiangsu China) ,  Fan Xuemei (School of Electronic Science and Engineering, Southeast University, Nanjing, Jiangsu China) ,  Chu Feng (School of Electronic Science and Engineering, Southeast University, Nanjing, Jiangsu China) ,  Lu Shengli (School of Electronic Science and Engineering, Southeast University, Nanjing, Jiangsu China) ,  Liu Hao (School of Electronic Science and Engineering, Southeast University, Nanjing, Jiangsu China)
資料名： ACM Proceedings  (ACM Proceedings)
号： ISAIMS 2020  ページ： 38-44  発行年： 2020年 
JST資料番号： D0698C  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 不整脈診断ニューラルネットワークは,連続モニタリングを通してリアルタイム診断を実行でき,潜在的リスクに対して警告できる。さらに,これらのネットワークはウェアラブルデバイスのような資源制約デバイスに設置できる。しかしながら,既存のニューラルネットワークは,高メモリ消費と電力消費に悩まされ,低電力資源制約デバイスにおけるそれらの応用を制限する。ここでは,1000の長期間心電図を用いて17の異なるリズムクラスを分類するための新しいニューラルネットワーク分類器を提案し,95.72%の分類精度を達成し,現在の最先端の方法よりも4.32%高かった。さらに, greedy欲アルゴリズムに基づく層別量子化法を提案し,それを他の量子化法と比較した。提案した分類器は95.39%分類精度を達成し,メモリ消費を15.5倍削減した。本研究は,高性能と低資源消費のニューラルネットワークを実現し,連続監視,リアルタイム診断,および潜在的リスク警報のための資源制約装置におけるニューラルネットワークを実装する可能性を実証した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  記憶装置 ,  *量子化 ,  警報 ,  *ネットワーク ,  心電図 ,  電力消費 ,  *ニューラルネットワーク ,  *不整脈 ,  層別
準シソーラス用語： ウェアラブルデバイス ,  分類精度 ,  実時間 ,  *資源制約 ,  *畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (5件)： 不整脈 ,  欲張りアルゴリズム ,  ニューラルネットワーク ,  量子化 ,  資源制約デバイス

分類 (2件)： 生体計測  (EL03020C) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (6件)： 資源制約 ,  層 ,  量子化 ,  畳込みニューラルネットワーク ,  不整脈 ,  分類器