論文の概要: Arrhythmia Classifier Based on Ultra-Lightweight Binary Neural Network
- arxiv url: http://arxiv.org/abs/2304.01568v1
- Date: Tue, 4 Apr 2023 06:47:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-05 14:53:43.448853
- Title: Arrhythmia Classifier Based on Ultra-Lightweight Binary Neural Network
- Title（参考訳）: 超軽量バイナリニューラルネットワークを用いた不整脈分類
- Authors: Ninghao Pu, Zhongxing Wu, Ao Wang, Hanshi Sun, Zijin Liu and Hao Liu
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 4.36031697142651
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reasonably and effectively monitoring arrhythmias through ECG signals has
significant implications for human health. With the development of deep
learning, numerous ECG classification algorithms based on deep learning have
emerged. However, most existing algorithms trade off high accuracy for complex
models, resulting in high storage usage and power consumption. This also
inevitably increases the difficulty of implementation on wearable Artificial
Intelligence-of-Things (AIoT) devices with limited resources. In this study, we
proposed a universally applicable ultra-lightweight binary neural network(BNN)
that is capable of 5-class and 17-class arrhythmia classification based on ECG
signals. Our BNN achieves 96.90% (full precision 97.09%) and 97.50% (full
precision 98.00%) accuracy for 5-class and 17-class classification,
respectively, with state-of-the-art storage usage (3.76 KB and 4.45 KB).
Compared to other binarization works, our approach excels in supporting two
multi-classification modes while achieving the smallest known storage space.
Moreover, our model achieves optimal accuracy in 17-class classification and
boasts an elegantly simple network architecture. The algorithm we use is
optimized specifically for hardware implementation. Our research showcases the
potential of lightweight deep learning models in the healthcare industry,
specifically in wearable medical devices, which hold great promise for
improving patient outcomes and quality of life. Code is available on:
https://github.com/xpww/ECG_BNN_Net
- Abstract（参考訳）: 心電図による不整脈のモニタリングは、人間の健康に重大な影響を及ぼす。
ディープラーニングの発展に伴い、ディープラーニングに基づく多くのECG分類アルゴリズムが出現している。
しかし、既存のアルゴリズムは複雑なモデルに対して高い精度で処理し、高いストレージ使用量と消費電力をもたらす。
これにより、限られたリソースを持つウェアラブル人工知能(AIoT)デバイスの実装の難しさも必然的に増大する。
本研究では,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,普遍的に適用可能な超軽量バイナリニューラルネットワーク(BNN)を提案する。
我々のBNNは5クラスと17クラスでそれぞれ96.90%(完全精度97.09%)と97.50%(完全精度98.00%)の精度を達成し、最先端のストレージ使用(3.76KBと4.45KB)を実現した。
他の二項化処理と比較して,本手法は最小の記憶空間を達成しつつ,2つの多重分類モードをサポートすることに優れている。
さらに,本モデルは17クラス分類において最適精度を達成し,エレガントに単純なネットワークアーキテクチャを有する。
私たちが使用するアルゴリズムは、ハードウェア実装に特化しています。
我々の研究は、医療産業、特にウェアラブル医療機器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。
https://github.com/xpww/ECG_BNN_Net
関連論文リスト
- Weakly-supervised positional contrastive learning: application to
cirrhosis classification [45.63061034568991]
大規模な医療画像データセットは、低信頼で弱いラベルで安価に注釈を付けることができる。
組織学に基づく診断のような高信頼なラベルへのアクセスは稀で費用がかかる。
提案手法は,効率的な弱教師付き位置対応学習戦略 (WSP) を提案する。
論文 参考訳（メタデータ） (2023-07-10T15:02:13Z) - 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) - Arrhythmia Classifier Using Convolutional Neural Network with Adaptive
Loss-aware Multi-bit Networks Quantization [4.8538839251819486]
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。
論文 参考訳（メタデータ） (2022-02-27T14:26:41Z) - FPGA-optimized Hardware acceleration for Spiking Neural Networks [69.49429223251178]
本研究は,画像認識タスクに適用したオフライントレーニングによるSNN用ハードウェアアクセラレータの開発について述べる。
この設計はXilinx Artix-7 FPGAをターゲットにしており、利用可能なハードウェアリソースの40%を合計で使用している。
分類時間を3桁に短縮し、ソフトウェアと比較すると精度にわずか4.5%の影響を与えている。
論文 参考訳（メタデータ） (2022-01-18T13:59:22Z) - Optimization of Residual Convolutional Neural Network for
Electrocardiogram Classification [0.9281671380673306]
本稿では,2段階のリカレント1次元畳み込みニューラルネットワークモデル(R-1D-CNN)を提案する。
第1段階では、残留畳み込み層と1次元畳み込みニューラルネットワーク層をトレーニングし、患者固有の心電図の特徴を学習する。
2番目のレベルは自動であり、提案アルゴリズムに基づくBOに基づいている。
論文 参考訳（メタデータ） (2021-12-11T16:52:23Z) - Real-Time Patient-Specific ECG Classification by 1D Self-Operational
Neural Networks [24.226952040270564]
本稿では,ECG分類のための1D Self-organized Operational Neural Networks (1D Self-ONNs)を提案する。
1D Self-ONNは、演算子セットライブラリ内の前の演算子探索が完全に回避される従来のONNに比べて、最大の優位性と優位性を持つ。
MIT-BIH不整脈ベンチマークデータベースを用いた結果, 1D Self-ONN が 1D CNN をはるかに上回っていることがわかった。
論文 参考訳（メタデータ） (2021-09-30T19:37:36Z) - Neural network relief: a pruning algorithm based on neural activity [47.57448823030151]
重要でない接続を非活性化する簡易な重要スコア計量を提案する。
MNIST上でのLeNetアーキテクチャの性能に匹敵する性能を実現する。
このアルゴリズムは、現在のハードウェアとソフトウェアの実装を考えるとき、FLOPを最小化するように設計されていない。
論文 参考訳（メタデータ） (2021-09-22T15:33:49Z) - Quantized Neural Networks via {-1, +1} Encoding Decomposition and
Acceleration [83.84684675841167]
本稿では,量子化されたニューラルネットワーク(QNN)をマルチブランチバイナリネットワークに分解するために,-1,+1を用いた新しい符号化方式を提案する。
本稿では,大規模画像分類,オブジェクト検出,セマンティックセグメンテーションにおける提案手法の有効性を検証する。
論文 参考訳（メタデータ） (2021-06-18T03:11:15Z) - Designing ECG Monitoring Healthcare System with Federated Transfer
Learning and Explainable AI [4.694126527114577]
我々は、ECGベースの医療アプリケーションのための連合環境で、新しい説明可能な人工知能(XAI)ベースのディープラーニングフレームワークを設計する。
提案したフレームワークは、MIT-BIH Arrhythmiaデータベースを使用してトレーニングされ、テストされた。
論文 参考訳（メタデータ） (2021-05-26T11:59:44Z) - Binary Graph Neural Networks [69.51765073772226]
グラフニューラルネットワーク(gnns)は、不規則データに対する表現学習のための強力で柔軟なフレームワークとして登場した。
本稿では,グラフニューラルネットワークのバイナライゼーションのための異なる戦略を提示し,評価する。
モデルの慎重な設計とトレーニングプロセスの制御によって、バイナリグラフニューラルネットワークは、挑戦的なベンチマークの精度において、適度なコストでトレーニングできることを示しています。
論文 参考訳（メタデータ） (2020-12-31T18:48:58Z) - 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。