Arrhythmia Classifier Based on Ultra-Lightweight Binary Neural Network

要約

タイトル：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器

要約：

– ECG信号を使った不整脈監視は、人間の健康にとって重要である。
– 深層学習の発展により、深層学習に基づく多数のECG分類アルゴリズムが出現している。
– しかし、既存のほとんどのアルゴリズムは高い精度を追求するために複雑なモデルを要し、ストレージ使用量と電力消費量が高くなる。
– これらの問題は、リソースが限られたウェアラブルIoTデバイスの実装の難しさを高める。
– 本研究では、ECG信号に基づく5クラスと17クラスの不整脈分類を実現することができる、万能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。
– 本研究のBNNは、最先端のストレージ使用量（3.76KBと4.45KB）で、5クラス分類で96.90％（完全精度で97.09％）、17クラス分類で97.50％（完全精度で98.00％）の精度を実現している。
– 他のバイナリ化手法と比較して、本手法は、最小の知られているストレージ空間を実現しながら、2つのマルチクラス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クラス分類で最適な精度を実現し、優れたシンプルなネットワークアーキテクチャを持つ。
– 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る。
– 本研究は、ヘルスケア業界において、特にチャレンジングなウェアラブル医療機器において、軽量ディープラーニングモデルの可能性を示唆している。
– コードは、https://github.com/xpww/ECG_BNN_Netにて公開されている。

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, OpenAI