面向可穿戴设备的节能低功耗心律失常检测Toward Energy-Efficient and Low-Power Arrhythmia Detection for Wearable Devices

环球医讯 / 心脑血管来源:arxiv.org荷兰 - 英语2026-11-14 02:13:38 - 阅读时长9分钟 - 4002字
该论文研究面向可穿戴设备的心律失常检测深度学习模型与专用集成电路的低功耗设计,通过将数据精度从16位降至8位、采用近似乘法器并进行近似感知重训练,在MIT-BIH心律失常数据库上实现可接受分类性能的同时显著降低功耗与能耗;所提出的8位架构在12 kHz下功耗约3.07微瓦,较先进参考架构降低64.9%,在100 MHz下每次分类能耗约0.8微焦,降低61.5%,并保持约93.7%的分类准确率和约92.1%的敏感度,高于普通心内科医生平均敏感度,显示其延长可穿戴心电监测设备电池寿命的潜力。
心律失常检测心血管疾病健康监测可穿戴健康设备低功耗心电监测心电图分类深度学习近似计算能效电池寿命
面向可穿戴设备的节能低功耗心律失常检测

面向可穿戴设备的节能低功耗心律失常检测

摘要

心血管疾病是全球首要死因,心律失常等病症往往需要长期监测才能有效检测和诊断。然而,当前可穿戴监测设备体积较大、佩戴不舒适,并且通常依赖临床医生人工判读心电图。尽管深度学习算法在心律失常检测与分类中表现出优越性能,但其计算复杂度与高功耗限制了在可穿戴设备中的部署。为应对这一挑战,本文研究利用近似技术降低深度学习架构的功耗和能耗,同时保持可接受的分类性能。具体而言,本文在一先进深度学习模型及其对应硬件架构中研究了数据精度降低和近似乘法等技术。模型使用 MIT-BIH 心律失常数据库进行训练和验证,并对采用多种近似乘法器的硬件实现进行综合与评估。与先进的 8.75 微瓦(以及 2.08 微焦)参考架构相比,本文提出的架构在 12 kHz 下功耗为 3.07 微瓦(以及 2.17 微焦),功耗降低 64.9%,同时提供可接受的输出质量,即 93.7% 的分类准确率和 92.1% 的敏感度。在 100 MHz 下,本文提出的架构功耗为 9.45 毫瓦(以及 0.8 微焦),与先进架构相比能耗降低 61.5%。这些结果表明,本文提出的近似方法在保持所需心律失常分类性能的同时,显著延长了可穿戴设备的电池寿命。

索引词: 心律失常检测、深度学习、心电图、低功耗硬件、近似计算、可穿戴医疗设备、能效。

一、引言

2019 年,心血管疾病占全球死亡的 32%。早期检测可以显著改善治疗结果;然而,心律失常等某些病症具有不可预测性,需要长期监测。心电图是监测心脏活动的标准手段,但现有的可穿戴电池供电设备仍然体积较大,长时间使用不舒适。例如,Holter 监测器记录 1 至 2 天的心电数据,然后将数据上传至云端供临床医生审阅。这种方法虽然有效,但无线数据传输会增加功耗,并且需要临床医生投入大量精力进行分析。

降低临床医生工作量和通信开销的一种方法是在可穿戴设备上直接执行自动心血管疾病分类。深度学习技术,包括深度神经网络和卷积神经网络,在心电分类任务中表现出强大性能。然而,这些模型计算密集,通常依赖高功耗硬件,限制了其用于电池供电可穿戴系统的适用性。

近似计算技术可用于在神经网络推理中节省功耗和能耗。然而,这些方法往往会降低分类性能,这在医疗应用中至关重要,因为准确率下降可能危及患者安全。在计算机视觉等领域,这些方法已被证明能够有效降低功耗而不会显著损害模型性能。这是因为深度学习模型通常对误差具有韧性,并且这些近似可以在训练过程中加以考虑,使模型相应调整权重,从而对模型性能影响最小。

本文研究基于心电数据的神经网络心律失常检测中的近似计算技术。目标是在保持高于普通心内科医生 78.4% 的分类敏感度的同时,实现较高的功耗和能耗效率。本文主要贡献如下:

  • 研究先进心律失常分类模型中的数据精度降低(从 16 位降至 8 位)和近似乘法,包括近似感知重训练。
  • 研究相对较高的工作频率(100 MHz),以相较先进技术提升能效。
  • 基于硬件效率和输出质量评估所提出架构,并与先进架构进行比较。

二、背景与相关工作

II-A 心电分类

心律失常是心跳节律的不规则。它可以发生在单次心跳中,称为形态性心律失常,也可以跨多次心跳发生,称为节律性心律失常。本文关注形态性心律失常。本文采用医疗器械促进协会标准,该标准建议将心跳分为 15 个类别和 5 个超类:正常、室上性异位搏动、室性异位搏动、融合搏动和未知搏动。从心电图记录中人工检测异常心律对临床医生而言非常耗时,特别是某些心律失常只在监测期间间歇性出现。为解决这一挑战,人们开发了自动心电分类方法。传统心电分类流程通常包括四个阶段:心电信号处理、心跳分割、特征提取和分类。

文献中已提出多种分类技术,包括支持向量机、线性判别、储备池计算、动态偏置长短期记忆网络和深度神经网络。其中,深度神经网络因分类性能强而被广泛采用。与传统机器学习技术不同,深度神经网络可以直接从心电数据中学习相关特征,无需单独的人工特征提取。然而,这种能力以计算复杂度和功耗增加为代价。因此,本文关注通过将特征提取和分类结合在一个高效框架中,使基于深度学习的心电分类能够在低功耗可穿戴设备上运行。

II-B 近似技术

深度神经网络天然对误差具有韧性,因此可以通过近似提高能效,而不会显著损害整体分类准确率。两类方法分别是精度缩放和近似算术。

精度缩放: 大多数深度神经网络使用 32 位浮点数据精度,但低精度是实现低功耗的必要条件。已有研究证明,8 位深度神经网络推理可以达到与 32 位浮点版本几乎相同的准确率,同时降低资源使用。量化的一个优势是可以在不部署硬件的情况下于软件中测试准确率损失。对深度神经网络应用量化主要有两种方法:训练后量化,即模型训练后进行量化;量化感知训练,即在训练期间的前向传播中应用量化。

近似算术: 一种被广泛研究的方法是近似算术,特别是近似乘法器和加法器。乘法器因面积和功耗较高而更受关注,具有更大优化潜力。常见类型包括无乘法器、基于对数、基于压缩器、递归和分段乘法器。其性能使用平均绝对误差和绝对平均误差等指标评估。绝对平均误差还能反映围绕零点的误差偏置,是评估乘累加操作的有效指标。无乘法器设计通过移位加法运算近似乘法,用更简单的加法器替代乘法器以降低功耗。对数乘法器将乘法转换为加法,以极少额外逻辑节省能量。压缩器乘法器生成部分积,并使用近似加法器而非精确加法器进行组合,从而降低硬件成本和功耗。递归乘法器由较小单元构建较大乘法器,通过用近似版本替代精确子块来引入近似以降低复杂度。最后,分段乘法器通过省略某些最低有效位的计算并使用较小乘法器来节省功耗。近似乘法器已被用于基于机器学习的心电信号质量评估,在准确率下降可忽略的情况下实现功耗大幅降低。

近似乘法器的设计空间很大,但某些特性对神经网络尤其有利。由于深度神经网络依赖乘累加操作,同时具有正误差和负误差是有利的,因为它们可以在累加过程中相互抵消。另一个关键方法是近似感知训练,即在训练期间使用近似乘法器。这使网络能够相应调整权重,通常可提高准确率,在某些情况下甚至通过减少过拟合而优于精确乘法器。

三、方法

本文研究用于心律失常分类的深度神经网络中的精度降低和近似乘法器,以在不显著损害专用集成电路应用准确率的情况下降低总功耗。

数据集: 心律失常分类常用数据集是 MIT-BIH 心律失常数据库。MIT-BIH 心律失常数据库包含 48 条半小时记录,采样率为每秒 360 个样本,11 位。记录使用带宽 0.1 至 100 Hz 的带通滤波器滤波。所有 R 峰均被标注并关联到 15 个标准类别之一。数据集按 8:1:1 划分为训练集、验证集和测试集。

参考设计: 选择文献中的参考模型,因为它是一种使用标准 AAMI 类别的低功耗架构,并且可能从进一步近似中受益,因为它目前使用 16 位精度和精确移位加法乘法器。该模型架构由峰值检测与分割模块以及用于分类的深度神经网络组成。模型由三层组成,分别有 35、25 和 5 个神经元,输入长度为 210 个样本。第 1 层和第 2 层神经元使用 ReLU 激活函数,第 3 层使用 softmax 函数,返回最大值索引。训练以 float32 精度完成,之后精度降至 16 位定点,其中 6 位整数位和 10 位小数位。权重和偏置限制在 -1 到 1。该模型专为低功耗专用集成电路使用而设计。文献报道的参考设计架构使用 16 位数据宽度,准确率为 91.60%。其工作时钟频率为 12 kHz,采用 180 nm SCL 工艺实现。设计面积为 1.32 平方毫米,功耗为 8.75 微瓦,能量为 2.08 毫焦(原文如此;摘要及后文表中为 2.08 微焦/分类)。

图 1:参考设计中使用的深度神经网络。

III-A 模型训练

训练从高精度(16 位)权重逐步过渡到低精度权重,因为直接低精度训练效果不佳,小于半个量化步长的权重更新会因更新后量化而丢失。为在使用近似乘法器时恢复性能,模型首先使用精确乘法器训练,然后使用文献中两种最节能的 8 位近似乘法器进行重训练,仅在前向传播中应用,反向传播使用精确乘法器。由于这种重训练限制在 8 位精度,只能使用较高学习率,从而产生噪声更新。为缓解这一问题,训练运行 600 个 epoch,每 15 个 epoch 重置权重;保存每个窗口内表现最好的权重,并选择总体最佳作为最终模型。

III-B 架构优化

硬件架构见图 2,上方包含峰值检测和分割逻辑,下方包含神经元逻辑。神经元硬件在所有层中复用,即乘累加硬件和激活函数硬件。两部分由控制器管理,控制器还将只读存储器和存储器连接到其余逻辑。存储器基于寄存器,尺寸适当,可存储全部 850 个输入样本,每个样本 16 位宽。只读存储器用于存储权重和偏置。

当架构接收数据时,所有样本首先存入存储器,并确定最大值用于峰值检测。一旦接收完整数据集,峰值检测开始,随后进行分类。本文采用无符号乘法器,需要符号-幅值表示。在符号-幅值格式中,正负值之间的转换只需翻转符号位,相比二进制补码表示更简单。这种转换频繁发生,因为所有输入在乘法前都转换为绝对值,最终结果符号通过异或操作确定。

峰值检测硬件: 如前所述,峰值检测分两阶段完成。第一阶段通过遍历整个输入数据确定输入样本最大值,并将结果存入寄存器。随后相应执行右移或左移以计算阈值。迭代完成并找到阈值后,峰值检测使能信号置高。系统随后再次遍历输入数据,这次从样本 105 开始,到样本 745 结束。使用寄存器获得延迟样本并计算差值,使用减法器计算它们之间的差。然后将这些差与阈值比较,并检查其符号。如果两个条件均满足,则将索引存入 3 位