一种基于知识蒸馏的量化卷积神经网络FPGA部署

设计了一种针对心电数据实时分类的量化神经网络,将权重量化为两位整数,运用知识蒸馏的方法使性能达到了期望的效果,并部署于FPGA开发板上。知识蒸馏后的量化网络比全精度网络的分类准确率提升了9%。在FPGA开发板上的运行结果符合预期,达到了需要的性能,可以对左束支传导阻滞(L)、右束支传导阻滞(R)、正常心拍(N)和室性早搏综合征(V)四种心电信号进行分类,相比于其他量化方式对存储参数的需求更小,资源使用更少,相比于CPU速度提升了1.5倍,运行时间达到实时性要求,适合于部署在小型、轻量化的资源有限的可穿戴设备上。

基于FPGA的便携心电智能诊断加速器及优化选芯方案

心电图(electrocardiogram,ECG)是诊断与心脏相关疾病的关键工具,可穿戴心电监护仪Holter是院外检测的重要手段,小型化、便携性、实时检测是优化方向。人工智能技术应用于包括心电诊断的各个领域,但存在参数量大、难于小型化、计算速度慢的问题,不满足便携心电监护仪的要求,而可编程逻辑门器件(Field-Programmable Gate Array,FPGA)有并行加速的特性。在AI智能算法硬件化的工程应用上,存在成本、速度、资源利用率的权衡,需要进行科学的芯片选型。开发了一种基于1D-CNN的、用于心电诊断的BeatNet,对于4分类的检测任务,该模型具有98.5%的分类准确率。在FPGA上实现BeatNet硬件化的实验,经测试在Altera公司的DE1-SoC开发板上部署RTL级硬件网络电路,最高频率为69 MHz,单个心拍诊断需要221个周期,总计算时间为3.31μs,满足实时标准。针对速度、功耗和成本指标评估了不同部署策略的性能,开发了一个选芯综合指数,可以在仅损失0.2%精度、5μs内完成单心拍的条件下,将FPGA计算芯片成本控制在200美元以内,满足高速度、低成本、低功耗的要求,对工程优化有实用价值。