Arrhythmia Classifier Based on Ultra-Lightweight Binary Neural Network

要約

ECG 信号を通じて不整脈を合理的かつ効果的に監視することは、人間の健康に重大な影響を及ぼします。
深層学習の発展に伴い、深層学習に基づく多数の ECG 分類アルゴリズムが登場しました。
ただし、既存のアルゴリズムのほとんどは、複雑なモデルのために高精度を犠牲にしており、その結果、ストレージの使用量と電力消費が高くなります。
これにより、リソースが限られたウェアラブルな人工知能 (AIoT) デバイスへの実装の難易度も必然的に高まります。
本研究では、ECG信号に基づいて不整脈を5クラスと17クラスに分類できる、汎用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)を提案した。
当社の BNN は、最先端のストレージ使用量 (3.76 KB と 4.45 KB) で、5 クラス分類と 17 クラス分類でそれぞれ 96.90% (完全精度 97.09%) と 97.50% (完全精度 98.00%) の精度を達成しています。
。
他の二値化作業と比較して、私たちのアプローチは、既知の最小の保存スペースを達成しながら、2 つの多分類モードをサポートする点で優れています。
さらに、私たちのモデルは 17 クラスの分類で最適な精度を実現し、エレガントでシンプルなネットワーク アーキテクチャを誇ります。
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最適化されています。
私たちの研究は、医療業界、特にウェアラブル医療機器における軽量ディープラーニング モデルの可能性を示しており、患者の転帰と生活の質の向上に大きな期待が寄せられています。
コードは https://github.com/xpww/ECG_BNN_Net で入手できます。

要約(オリジナル)

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

arxiv情報

提供元, 利用サービス

arxiv.jp, Google