6.2.1 基于移动终端的轻量级深度学习模型
可穿戴设备计算资源和存储空间受限,无法支持大规模并行运算,也无法部署大规模网络结构。因此研究高效的轻量级的快速卷积网络模型,适应可穿戴式计算环境是实现可穿戴设备深度ECG学习的关键。具体研究内容如下:
①加快卷积神经网络的运算速度,拟研究一维卷积的深度分离方法,减少卷积的通道,并通过快速傅立叶变换进一步减少卷积的运算量。
②提高神经网络的泛化能力,拟研究数据实现归一化处理方法,通过向后传播算法更新通道分配权值,以实现网络层数据的合理分布。(https://www.daowen.com)
③提高网络计算的精度,拟引入注意力机制,跟踪并激励通道的权值变化,研究增强通道提取特征的能力。
通过以上研究,提出一种能够适应可穿戴计算环境的,能够实现ECG识别的深度学习模型。
根据ECG信号特点,在深度可分离卷积运算的基础上,进一步提出了两步逐点卷积的算法,在保持与深度可分离卷积等效的前提下,成功将ECG卷积运算的计算量与网络参数实现了一个数量级的压缩,提出快速归一化均值算法,将BN中计算量大幅缩减。