一种高能效、轻量级的卷积神经网络（BNN）加速器，用于心律失常检测

《IEEE Transactions on Circuits and Systems I: Regular Papers》：A High-Energy-Efficiency Lightweight BNN Accelerator for Arrhythmia Detection

心律失常检测中，基于二进制神经网络的轻量化FPGA加速器通过消除全连接层和非线性计算，结合时间循环优化数据流和硬件电路，动态关闭冗余计算单元实现能效提升。实验表明其功耗160mW，吞吐量112.2GOPs，能效达701.51GOPs/W，较现有方案显著优化能效比。

　　

摘要：

心律失常对人类健康构成了严重威胁。利用心电图（ECG）信号进行准确且实时的心律失常检测对于医学诊断至关重要。随着深度学习技术的快速发展，深度神经网络（DNNs）显著提高了心律失常监测的准确性。然而，在资源受限的可穿戴设备上部署这些技术以实现实时监测仍然具有挑战性。因此，轻量级设计对于在有限的硬件资源下实现低功耗和高吞吐量的实时检测变得至关重要。二进制神经网络（BNNs）作为一种有前景的轻量级方法，在减少硬件资源使用和提高推理速度方面展现出巨大潜力。然而，现有的二值化ECG检测加速器设计尚未进行架构设计空间探索（DSE），因此未能充分平衡吞吐量和功耗之间的权衡。为了解决这一问题，我们提出了一种高度节能的一维BNN加速器用于ECG检测。首先，我们通过消除全连接层和非线性计算来开发一种适合硬件的BNN算法。随后，本研究首次利用Timeloop分析了BNN算法到硬件的最佳映射，确定了最佳的加速器数据流，并基于现场可编程门阵列（FPGA）架构对数据流和加速器硬件电路进行了深入优化。最后，我们引入了一种细粒度功耗控制机制，通过动态禁用冗余计算逻辑来实现功耗管理。实验结果表明，所提出的加速器在100 MHz频率下实现了105.79 μs的延迟、160 mW的功耗、112.2 GOPS的吞吐量以及701.51 GOPS/W的能效。与最先进的基于Xilinx FPGA的ECG检测加速器相比，我们的设计在能效方面有所提升...

显示更多

引言

心血管疾病（CVDs）是全球主要的死亡原因，每年因CVDs死亡的人数超过其他任何原因[1]。心律失常作为常见的心血管疾病类型，被认为是导致大多数猝死病例的主要因素[2]。在临床诊断中，ECG分析发挥着不可替代的作用，帮助医疗专业人员识别和分类各种类型的心律失常[3]。