適応損失を意識したマルチビットネットワーク量子化による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】

Sun Hanshi; Wang Ao; Pu Ninghao; Li Zhiqing; Huang Junguang; Liu Hao; Qi Zhi

プレプリント

J-GLOBAL ID：202202217908252024 整理番号：22P0295555

適応損失を意識したマルチビットネットワーク量子化による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 Convolutional Neural Network with Adaptive Loss-aware Multi-bit Networks Quantization

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (7件)： , , , , , ,
資料名：
発行年： 2022年02月27日プレプリントサーバーでの情報更新日： 2022年02月27日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

心血管疾患(CVD)は,普遍的な死亡性疾患の1つであり,初期段階でのその検出は,取り組む困難な作業である。最近,深層学習と畳み込みニューラルネットワークがオブジェクトの分類のために広く採用されている。さらに,多くのネットワークがウェアラブルデバイス上に展開できることが期待される。不整脈検出用のECG信号分類を実現するためには,多くの方法を用いることができる。しかし,不整脈検出用に提案された既存のニューラルネットワークは,メモリと電力消費をもたらす顕著な量のパラメータのために,ハードウェアに優しい。本論文では,メモリ消費を23.36倍低減する高圧縮速度を達成する1D適応損失意識量子化を示した。圧縮法に適応するためには,より小さくより簡単なネットワークが必要である。MIT-BIHデータセット上で訓練された17の異なるリズムクラスを分類するための17層のエンドツーエンドニューラルネットワーク分類器を提案し,93.5%の分類精度を実現し,これは既存の方法よりも高い。重要な層を作る適応ビット幅方式により,より多くの注目を得て,無利用パラメータを除去する機会を提供し,提案した量子化法は精度劣化を避ける。それは精度率を改善し,それは以前より95.84%,2.34%高かった。本研究は,高性能と低資源消費の1D畳込みニューラルネットワークを達成し,ハードウェアに優しいものであり,リアルタイム不整脈診断を実現するためのウェアラブルデバイスへの展開の可能性を説明した。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

人工知能

, , , , , , ,

前のページに戻る