Fugu-MT 論文翻訳(概要): Multistage Pruning of CNN Based ECG Classifiers for Edge Devices

論文の概要: Multistage Pruning of CNN Based ECG Classifiers for Edge Devices

arxiv url: http://arxiv.org/abs/2109.00516v1
Date: Tue, 31 Aug 2021 17:51:15 GMT
ステータス: 処理完了
システム内更新日: 2021-09-03 13:50:46.788214
Title: Multistage Pruning of CNN Based ECG Classifiers for Edge Devices
Title（参考訳）: エッジデバイス用CNN型ECG分類器の多段プルーニング
Authors: Xiaolin Li, Rajesh Panicker, Barry Cardiff, and Deepu John
Abstract要約: 畳み込みニューラルネットワーク(CNN)に基づくディープラーニングは、ECGの異常なビートを検出するのに成功している。既存のCNNモデルの計算複雑性は、低消費電力エッジデバイスに実装することを禁止している。本稿では,CNNモデルの複雑性を低減し,性能を損なうことなく,新たなマルチステージプルーニング手法を提案する。
参考スコア（独自算出の注目度）: 9.223908421919733
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Using smart wearable devices to monitor patients electrocardiogram (ECG) for real-time detection of arrhythmias can significantly improve healthcare outcomes. Convolutional neural network (CNN) based deep learning has been used successfully to detect anomalous beats in ECG. However, the computational complexity of existing CNN models prohibits them from being implemented in low-powered edge devices. Usually, such models are complex with lots of model parameters which results in large number of computations, memory, and power usage in edge devices. Network pruning techniques can reduce model complexity at the expense of performance in CNN models. This paper presents a novel multistage pruning technique that reduces CNN model complexity with negligible loss in performance compared to existing pruning techniques. An existing CNN model for ECG classification is used as a baseline reference. At 60% sparsity, the proposed technique achieves 97.7% accuracy and an F1 score of 93.59% for ECG classification tasks. This is an improvement of 3.3% and 9% for accuracy and F1 Score respectively, compared to traditional pruning with fine-tuning approach. Compared to the baseline model, we also achieve a 60.4% decrease in run-time complexity.
Abstract（参考訳）: スマートウェアラブルデバイスを使用して患者の心電図(ECG)をリアルタイムで不整脈を検出することで、医療結果を大幅に改善することができる。畳み込みニューラルネットワーク(CNN)に基づくディープラーニングは、ECGの異常なビートを検出するのに成功している。しかし、既存のcnnモデルの計算複雑性により、低出力エッジデバイスに実装できない。通常、そのようなモデルは、エッジデバイスにおける大量の計算、メモリ、電力使用量をもたらす多くのモデルパラメータで複雑である。ネットワークプルーニング技術は、cnnモデルの性能を犠牲にして、モデルの複雑さを低減できる。本稿では,既存プルーニング技術と比較して,CNNモデルの複雑性を低減し,性能損失を無視できる新しいマルチステージプルーニング手法を提案する。 ECG分類のための既存のCNNモデルは、ベースライン参照として使用される。 60%の間隔で、提案手法は97.7%の精度で、ECG分類タスクではF1スコアが93.59%である。これは精度が3.3%、F1スコアが9%向上した。ベースラインモデルと比較すると,実行時の複雑性は60.4%減少する。

関連論文リスト

Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文参考訳（メタデータ） (2023-04-14T09:39:06Z)
HARDC : A novel ECG-based heartbeat classification method to detect arrhythmia using hierarchical attention based dual structured RNN with dilated CNN [3.8791511769387625]
不整脈分類のための拡張CNN (HARDC) 法を用いたハイブリッド階層型双方向リカレントニューラルネットワークを開発した。提案したHARDCは、拡張CNNと双方向リカレントニューラルネットワークユニット(BiGRU-BiLSTM)アーキテクチャをフル活用して、融合機能を生成する。以上の結果から,複数種類の不整脈信号の分類を自動化し,高度に計算した手法が有望であることが示唆された。
論文参考訳（メタデータ） (2023-03-06T13:26:29Z)
Efficient ECG-based Atrial Fibrillation Detection via Parameterised Hypercomplex Neural Networks [11.964843902569925]
心房細動(英: atrial fibrillation、AF)は、脳卒中などの重篤な疾患のリスクが高い心不整脈である。心電図(ECG)から自動的かつタイムリーなAFアセスメントを組み込んだウェアラブルデバイスは、生命を脅かす事態を防ぐ上で有望であることが示されている。ディープニューラルネットワークは、モデルパフォーマンスにおいて優位性を示しており、彼らのウェアラブルデバイスでの使用は、モデルパフォーマンスと複雑性の間のトレードオフによって制限されている。
論文参考訳（メタデータ） (2022-10-27T14:24:48Z)
Classification of ECG based on Hybrid Features using CNNs for Wearable Applications [2.0999222360659604]
ハイブリッド機能と3つの異なるモデルを用いたECG分類の性能向上を示す。この研究で提案されたRR間隔の特徴に基づくモデルでは、98.98%の精度が達成され、ベースラインモデルよりも改善された。周波数特性とRR間隔特性を組み合わせた別のモデルが開発され、ノイズ環境下での良好な持続性能で99%の精度で達成された。
論文参考訳（メタデータ） (2022-06-14T12:14:40Z)
Atrial Fibrillation Detection Using Weight-Pruned, Log-Quantised Convolutional Neural Networks [25.160063477248904]
心電図信号から心房細動を検出する畳み込みニューラルネットワークモデルを開発した。このモデルは、限られた可変長の入力データで訓練されているにもかかわらず、高い性能を示す。最終モデルは91.1%のモデル圧縮比を達成し、高いモデル精度は91.7%、損失は1%未満であった。
論文参考訳（メタデータ） (2022-06-14T11:47:04Z)
Effective Model Sparsification by Scheduled Grow-and-Prune Methods [73.03533268740605]
本稿では,高密度モデルの事前学習を伴わない新規なGrow-and-prune(GaP)手法を提案する。実験により、そのようなモデルは様々なタスクにおいて80%の間隔で高度に最適化された高密度モデルの品質に適合または打ち勝つことができることが示された。
論文参考訳（メタデータ） (2021-06-18T01:03:13Z)
Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文参考訳（メタデータ） (2021-05-20T18:13:58Z)
ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
論文参考訳（メタデータ） (2021-05-07T11:39:05Z)
An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文参考訳（メタデータ） (2020-12-06T18:55:07Z)
DENS-ECG: A Deep Learning Approach for ECG Signal Delineation [15.648061765081264]
本稿では,心拍のリアルタイムセグメンテーションのためのディープラーニングモデルを提案する。提案アルゴリズムはDENS-ECGアルゴリズムと呼ばれ、畳み込みニューラルネットワーク(CNN)と長短期記憶(LSTM)モデルを組み合わせたものである。
論文参考訳（メタデータ） (2020-05-18T13:13:41Z)
ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文参考訳（メタデータ） (2020-05-11T16:29:12Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。