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

Arquitectura Computacional para la Inferencia de una CNN Cuantizada para Detectar Fibrilación Auricular

La fibrilación auricular es una arritmia cardíaca común, que se caracteriza por un ritmo cardíaco anormal que puede poner en peligro la vida. Recientemente, se han propuesto varias Redes Neuronales Convolucionales (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 Rendimiento como por ejemplo GPUs. Esta alta demanda de energía es un desafío para los dispositivos portátiles. Por lo tanto, se requieren implementaciones de hardware eficientes. Proponemos una arquitectura computacional para la inferencia de una Red Neural Convolucional Cuantizada (Q-CNN) que permite la detección de la Fibrilación Auricular (FA). La arquitectura aprovecha el paralelismo a nivel de datos, incorporando unidades vectoriales basadas en SIMD, que están optimizadas en términos de cálculo y almacenamiento. El diseño también se optimizó para realizar tanto las capas convolucionales como las capas completamente conectadas. La arquitectura computacional se implementó y probó en una FPGA XilinxArtix-7. Presentamos los resultados experimentales con respecto al proceso de cuantización en un número diferente de bits, recursos de hardware y precisión. Los resultados muestran una precisión del 94 % para 22 bits. Este trabajo pretende ser la base para la futura implementación de un dispositivo portátil, de bajo costo y alta confiabilidad para el diagnóstico de Fibrilación Auricular.

1 INTRODUCCIÓN

La fibrilación auricular (FA) es una arritmia que presenta latidos irregulares, y se asocia a un aumento de la frecuencia cardíaca debido a un trastorno en las señales eléctricas que activan las aurículas. Este tipo de arritmia se presenta de forma asintomática, es decir, no hay síntomas hasta el primer episodio agudo [1]. Sin embargo, es difícil detectar con precisión la FA en su fase inicial, y se necesitan médicos profesionales bien formados para determinar con precisión la información del ECG [2]. Por lo tanto, es importante desarrollar algoritmos rápidos y precisos para la detección automática de la FA.

Para afrontar este reto, varios estudios han propuesto las redes neuronales convolucionales (CNN) para la detección de la fibrilación auricular con altos niveles de precisión [2],[3],[4],[5]. Además, algunas investigaciones han demostrado que el hardware personalizado para la inferencia de las CNN podría superar la eficiencia de los procesadores de propósito general equivalentes en términos de rendimiento y consumo de energía [6].

La cuantificación es una estrategia eficaz que reduce la precisión tanto de los pesos como de las activaciones. La cuantificación de una CNN es el primer paso antes de implementar una CNN en un hardware personalizado.