A Computational Architecture for Inference of a Quantized-CNN for Detecting Atrial Fibrillation

Vista sencilla de ítem
dc.citation.epage149
dc.citation.issue32
dc.citation.journalTitleIngeniería y Cienciaseng
dc.citation.spage135
dc.citation.volume16
dc.contributor.affiliationUniversidad Industrial de Santanderspa
dc.contributor.authorJaramillo-Rueda, Andrés Fspa
dc.contributor.authorVargas-Pacheco, Laura Yspa
dc.contributor.authorFajardo, Carlos A.spa
dc.coverage.spatialMedellín de: Lat: 06 15 00 N degrees minutes Lat: 6.2500 decimal degrees Long: 075 36 00 W degrees minutes Long: -75.6000 decimal degrees
dc.date2020-11-11
dc.date.accessioned2021-02-19T16:41:44Z
dc.date.available2021-02-19T16:41:44Z
dc.date.issued2020-11-11
dc.description.abstractAtrial 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.eng
dc.description.abstractLa fibrilación auricular es una arritmia cardíaca común, que se caracte-riza por un ritmo cardíaco anormal que puede poner en peligro la vida.Recientemente, se han propuesto varias Redes Neuronales Convoluciona-les (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 Rendimientocomo por ejemplo GPUs. Esta alta demanda de energía es un desafío pa-ra los dispositivos portátiles. Por lo tanto, se requieren implementacionesde hardware eficientes. Proponemos una arquitectura computacional pa-ra la inferencia de una Red Neural Convolucional Cuantizada (Q-CNN)que permite la detección de la Fibrilación Auricular (FA). La arquitecturaaprovecha el paralelismo a nivel de datos, incorporando unidades vecto-riales basadas en SIMD, que están optimizadas en términos de cálculoy almacenamiento. El diseño también se optimizó para realizar tanto lascapas convolucionales como las capas completamente conectadas. La ar-quitectura computacional se implementó y probó en una FPGA XilinxArtix-7. Presentamos los resultados experimentales con respecto al proce-so de cuantización en un número diferente de bits, recursos de hardwarey precisión. Los resultados muestran una precisión del 94 % para 22 bits.Este trabajo pretende ser la base para la futura implementación de undispositivo portátil, de bajo costo y alta confiabilidad para el diagnósticode Fibrilación Auricular.spa
dc.formatapplication/pdf
dc.identifier.issn1794-9165
dc.identifier.urihttp://hdl.handle.net/10784/25808
dc.language.isoeng
dc.publisherUniversidad EAFITspa
dc.relation.isversionofhttps://publicaciones.eafit.edu.co/index.php/ingciencia/article/view/6372/5064
dc.relation.urihttps://publicaciones.eafit.edu.co/index.php/ingciencia/article/view/6372/5064
dc.rightsinfo:eu-repo/semantics/openAccesseng
dc.rightsCopyright © 2020 Andrés F Jaramillo-Rueda, Laura Y Vargas-Pacheco, Carlos A Fajardoeng
dc.rights.accessrightsinfo:eu-repo/semantics/openAccesseng
dc.rights.localAcceso abiertospa
dc.sourceRevista Ingeniería y Ciencias, Vol. 16 Núm. 32 (2020)spa
dc.subject.keywordAtrial fibrillationeng
dc.subject.keywordAutomatic detectioneng
dc.subject.keywordFPGA implementationeng
dc.subject.keywordQuantized Convolutional Neural Networkeng
dc.subject.keywordDetección automáticaspa
dc.subject.keywordfibrilación auricularspa
dc.subject.keywordimplementación en FPGAspa
dc.subject.keywordred neuronal convolucional cuantizadaspa
dc.titleA Computational Architecture for Inference of a Quantized-CNN for Detecting Atrial Fibrillationeng
dc.titleArquitectura Computacional para la Inferencia deuna CNN Cuantizada para Detectar FibrilaciónAuricularspa
dc.typearticleeng
dc.typeinfo:eu-repo/semantics/articleeng
dc.typepublishedVersioneng
dc.typeinfo:eu-repo/semantics/publishedVersioneng
dc.type.localArtículospa

Archivos

Bloque original
Mostrando 1 - 2 de 2
No hay miniatura disponible
Nombre:
document - 2021-04-28T220947.324.pdf
Tamaño:
822.18 KB
Formato:
Adobe Portable Document Format
Descripción:
PDF Completo
Descargar
No hay miniatura disponible
Nombre:
articulo - copia (6).html
Tamaño:
375 B
Formato:
Hypertext Markup Language
Descripción:
HTML Completo
Descargar

Colecciones

Ingeniería y Ciencia, Vol. 16, Núm. 32 (2020)