Fugu-MT 論文翻訳(概要): Arrhythmia Classifier Using Convolutional Neural Network with Adaptive Loss-aware Multi-bit Networks Quantization

論文の概要: Arrhythmia Classifier Using Convolutional Neural Network with Adaptive Loss-aware Multi-bit Networks Quantization

arxiv url: http://arxiv.org/abs/2202.12943v1
Date: Sun, 27 Feb 2022 14:26:41 GMT
ステータス: 処理完了
システム内更新日: 2022-03-01 17:25:03.083226
Title: Arrhythmia Classifier Using Convolutional Neural Network with Adaptive Loss-aware Multi-bit Networks Quantization
Title（参考訳）: 適応型ロスアウェアマルチビットネットワーク量子化を用いた畳み込みニューラルネットワークを用いた不整脈分類
Authors: Hanshi Sun, Ao Wang, Ninghao Pu, Zhiqing Li, Junguang Huang, Hao Liu, Zhi Qi
Abstract要約: メモリ消費を23.36倍に削減する高圧縮率を実現する1次元適応型ロスアウェア量子化を提案する。我々は、MIT-BIHデータセットで訓練された17種類のリズムクラスを分類するために、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する。本研究は,ハードウェアフレンドリーで,ウェアラブルデバイスに展開可能な1次元畳み込みニューラルネットワークを実現する。
参考スコア（独自算出の注目度）: 4.8538839251819486
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Cardiovascular disease (CVDs) is one of the universal deadly diseases, and the detection of it in the early stage is a challenging task to tackle. Recently, deep learning and convolutional neural networks have been employed widely for the classification of objects. Moreover, it is promising that lots of networks can be deployed on wearable devices. An increasing number of methods can be used to realize ECG signal classification for the sake of arrhythmia detection. However, the existing neural networks proposed for arrhythmia detection are not hardware-friendly enough due to a remarkable quantity of parameters resulting in memory and power consumption. In this paper, we present a 1-D adaptive loss-aware quantization, achieving a high compression rate that reduces memory consumption by 23.36 times. In order to adapt to our compression method, we need a smaller and simpler network. We propose a 17 layer end-to-end neural network classifier to classify 17 different rhythm classes trained on the MIT-BIH dataset, realizing a classification accuracy of 93.5%, which is higher than most existing methods. Due to the adaptive bitwidth method making important layers get more attention and offered a chance to prune useless parameters, the proposed quantization method avoids accuracy degradation. It even improves the accuracy rate, which is 95.84%, 2.34% higher than before. Our study achieves a 1-D convolutional neural network with high performance and low resources consumption, which is hardware-friendly and illustrates the possibility of deployment on wearable devices to realize a real-time arrhythmia diagnosis.
Abstract（参考訳）: 心血管疾患(CVD)は致命的疾患の1つであり,早期に診断することが課題である。近年,物体の分類にディープラーニングや畳み込みニューラルネットワークが広く用いられている。さらに、多くのネットワークをウェアラブルデバイスにデプロイできることも約束されている。不整脈検出のために、ecg信号分類を実現するための方法が増えている。しかし、不整脈検出のために提案されている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パラメータが著しく多いため、ハードウェアフレンドリーではない。本稿では,1次元適応型ロスアウェア量子化を行い,メモリ消費を23.36倍削減する高圧縮率を実現する。圧縮手法に適応するためには,より小型でシンプルなネットワークが必要である。 mit-bihデータセットでトレーニングされた17の異なるリズムクラスを分類し、既存の手法よりも高い93.5%の分類精度を実現するための17層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する。重要な層に適応的なビット幅法が注目され、無駄なパラメータを創出する機会を提供するため、提案手法は精度劣化を回避する。精度も95.84%、従来よりも2.34%向上している。本研究では,ハードウェアフレンドリな1次元畳み込みニューラルネットワークを実現することで,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示す。

関連論文リスト

Effective Intrusion Detection in Highly Imbalanced IoT Networks with Lightweight S2CGAN-IDS [48.353590166168686]
モノのインターネット(IoT)ネットワークは、異常なトラフィックよりも遥かに良質なトラフィックを含んでいる。既存研究の多くは、少数民族の検出率を向上させるために、多数民族の検出率を犠牲にすることに焦点を当てている。我々はS2CGAN-IDSという軽量なフレームワークを提案し、データ空間と特徴空間の両方においてマイノリティなカテゴリの数を拡大する。
論文参考訳（メタデータ） (2023-06-06T14:19:23Z)
Arrhythmia Classifier Based on Ultra-Lightweight Binary Neural Network [4.8083529516303924]
本稿では,ECG信号に基づく5クラス,17クラスの不整脈分類が可能な超軽量バイナリニューラルネットワークを提案する。本モデルは17クラス分類において最適精度を達成し,エレガントにシンプルなネットワークアーキテクチャを有する。我々の研究は、医療産業における軽量なディープラーニングモデルの可能性を示している。
論文参考訳（メタデータ） (2023-04-04T06:47:54Z)
Arrhythmia Classifier using Binarized Convolutional Neural Network for Resource-Constrained Devices [4.36031697142651]
ECGモニタリングに適した二元化畳み込みニューラルネットワークを提案する。ハードウェアフレンドリーで、リソースに制約のあるウェアラブルデバイスでの使用に適している。計算速度は12.65倍、ストレージ圧縮比は24.8倍であり、メモリオーバーヘッドの4分の1しか必要としない。
論文参考訳（メタデータ） (2022-05-07T14:21:32Z)
Automated Atrial Fibrillation Classification Based on Denoising Stacked Autoencoder and Optimized Deep Network [1.7403133838762446]
心房細動(AFib)の発症率は世界中で増加傾向にある。 AFibのリスクを早期に検出するために,我々はディープニューラルネットワークに基づく自動検出システムを開発した。 Denoising Autoencoders (DAE) を用いて心電図信号を復調するエンド・ツー・エンドモデルを提案する。
論文参考訳（メタデータ） (2022-01-26T21:45:48Z)
Deep Metric Learning with Locality Sensitive Angular Loss for Self-Correcting Source Separation of Neural Spiking Signals [77.34726150561087]
本稿では, 深層学習に基づく手法を提案し, 自動掃除とロバスト分離フィルタの必要性に対処する。本手法は, ソース分離した高密度表面筋電図記録に基づいて, 人工的に劣化したラベルセットを用いて検証する。このアプローチにより、ニューラルネットワークは、信号のラベル付けの不完全な方法を使用して、神経生理学的時系列を正確に復号することができる。
論文参考訳（メタデータ） (2021-10-13T21:51:56Z)
SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
論文参考訳（メタデータ） (2021-10-01T23:01:20Z)
SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文参考訳（メタデータ） (2021-06-10T04:21:20Z)
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)
DFENet: A Novel Dimension Fusion Edge Guided Network for Brain MRI Segmentation [0.0]
本稿では,2次元CNNと3次元CNNの特徴を融合させることにより,これらの要件を満たす新しいDFENetを提案する。提案手法は, 既存の方法よりも頑健で正確であり, バイオメディカルな応用に頼ることができる。
論文参考訳（メタデータ） (2021-05-17T15:43:59Z)
Enabling certification of verification-agnostic networks via memory-efficient semidefinite programming [97.40955121478716]
本稿では,ネットワークアクティベーションの総数にのみ線形なメモリを必要とする一階二重SDPアルゴリズムを提案する。 L-inf の精度は 1% から 88% ,6% から 40% に改善した。また,変分オートエンコーダの復号器に対する2次安定性仕様の厳密な検証を行った。
論文参考訳（メタデータ） (2020-10-22T12:32:29Z)
Convolutional-Recurrent Neural Networks on Low-Power Wearable Platforms for Cardiac Arrhythmia Detection [0.18459705687628122]
マイクロコントローラと低消費電力プロセッサで動作するニューラルネットワークの推論に焦点を当てる。心不整脈を検出・分類するために既存の畳み込みリカレントニューラルネットワークを適用した。メモリフットプリントは195.6KB、スループットは33.98MOps/sである。
論文参考訳（メタデータ） (2020-01-08T10:35:48Z)

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。