Andrés F Jaramillo Rueda, Laura Y Vargas Pacheco, Carlos Augusto Fajardo Ariza
La fibrilación auricular es una arritmia cardíaca común, que se caracteriza por un ritmo cardíaco anormal que puede poner en peligro la vida. Recientemente, se han propuesto varias Redes Neuronales Convolucionales (CNNs, por sus siglas en inglés) para detectar la fibrilación auricular. Las CNN tienen altos requisitos de recursos informáticos y de memoria, lo que generalmente demanda el uso Computación de Altro Rendimiento como por ejemplo GPUs. Esta alta demanda de energía es un desafío para los dispositivos portátiles. Por lo tanto, se requieren implementaciones de hardware eficientes. Proponemos una arquitectura computacional para la inferencia de una Red Neural Convolucional Cuantizada (Q-CNN) que permite la detección de la Fibrilación Auricular (FA). La arquitectura aprovecha el paralelismo a nivel de datos, incorporando unidades vectoriales basadas en SIMD, que están optimizadas en términos de cálculo y almacenamiento. El diseño también se optimizó para realizar tanto las capas convolucionales como las capas completamente conectadas. La arquitectura computacional se implementó y probó en una FPGA Xilinx Artix-7. Presentamos los resultados experimentales con respecto al proceso de cuantización en un número diferente de bits, recursos de hardware y precisión. Los resultados muestran una precisión del 94% para 22 bits. Este trabajo pretende ser la base para la futura implementación de un dispositivo portátil, de bajo costo y alta confiabilidad para el diagnóstico de Fibrilación Auricular.
Atrial Fibrillation is a common cardiac arrhythmia, which is characterized by an abnormal heartbeat rhythm that can be life-threatening. Recently, researchers have proposed several Convolutional Neural Networks (CNNs) to detect Atrial Fibrillation. CNNs have high requirements on computing and memory resources, which usually demand the use of High Performance Computing (eg, GPUs). This high energy demand is a challenge for portable devices. Therefore, efficient hardware implementations are required. We propose a computational architecture for the inference of a Quantized Convolutional Neural Network (Q-CNN) that allows the detection of the Atrial Fibrillation (AF). The architecture exploits data-level parallelism by incorporating SIMD-based vector units, which is optimized in terms of computation and storage and also optimized to perform both the convolutional and fully connected layers. The computational architecture was implemented and tested in a Xilinx Artix-7 FPGA. We present the experimental results regarding the quantization process in a different number of bits, hardware resources, and precision. The results show an accuracy of 94% accuracy for 22-bits. This work aims to be the basis for the future implementation of a portable, low-cost, and high-reliability device for the diagnosis of Atrial Fibrillation.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados