6.2.2 ECG快速卷积

更新于 2026年11月21日 版权声明
6.2.2 ECG快速卷积

移动终端由于资源有限,计算与存储都要受到约束。随着神经网络不断加深,标准卷积计算量大、占有资源多而无法适应移动终端应用需求。应用于移动终端的深度卷积神经网络在资源受限的情况下,如何大幅减少参数与计算量,同时提高计算精度呢?本项目组在二维深度可分离卷积的基础上提出ECG快速卷积。基本思想如下:

一是两个参数卷积核的特征提取能力与三个参数卷积核的提取能力是等价的。本项目组已有的研究基础表明,通过调整卷积核参数,在满足式(6-13)条件的前提下,一维ECG分别与两个参数卷积核、三个参数卷积核做卷积运算的结果可以无限逼近:

图示

二是ECG与两个参数的卷积核进行卷积运算,可以转化为两个逐点卷积运算。设卷积核参数为图示,图示,则卷积运算为:

图示

图示的作用是对特征图进行倍增运算,可以看作ECG信号的缩放。图示作用于ECG差分信号,提取ECG的差分特征。令:

图示

在第一个逐点卷积中,计算出差分信号量:图示,第一个点卷积运算如图6-2 所示。

图示(https://www.daowen.com)

图6-2 深度卷积示意图

在第二个逐点卷积中分两步运算:先计算图示,然后有图示图示,如图6-3 所示。

图示

图6-3 逐点卷积示意图

ECG逐点卷积上一层的特征图在深度方向上进行加权组合,生成与输入数据大小一致新的特征图,然后组合各通道的特征图,如图6-4 所示。

设Df为输入特征图长度,Dk为卷积核长度,输入通道数为M,输出通道数为N,则标准卷积计算量为Df×Dk×M×N;ECG快速卷积的计算量为Df×N。通过快速卷积,计算量减少了接近图示,卷积核参数减少一半,但是精度基本上没有损失。

图示

图6-4 标准卷积与快速卷积流程图

✍AI写作