您现在的位置是：首页 >学无止境 >论文阅读和分析：Binary CorNET Accelerator for HR Estimation From Wrist-PPG网站首页学无止境

论文阅读和分析：Binary CorNET Accelerator for HR Estimation From Wrist-PPG

KPer_Yang 2024-09-20 00:01:05
简介论文阅读和分析：Binary CorNET Accelerator for HR Estimation From Wrist-PPG

主要贡献：

一种完全二值化网络(bCorNET)拓扑结构及其相应的算法-架构映射和高效实现。对CorNET进行量化后，减少计算量，又能实现减轻运动伪影的效果。 该框架在22个IEEE SPC受试者上的MAE为6.67±5.49 bpm。该设计采用ST65 nm技术框架，实现3 GOPS @ 1 MHz，每个窗口消耗56.1 μ J mu J μJ，占用1634K NAND2等效单元面积，从PPG信号估计每隔2s的HR延迟，变为32 ms。关键在于用硬件直接搭建出CNN LSTM网络。这个算法和硬件都会太强了！


理论部分的量化公式：
q u a n t i z e ( x ) = r o u n d ( c l i p ( x , − 1 , 1 ) × M ) / M Q ( x ) = s × q u a n t i z e ( x − p s ) + p egin{gathered} q u a n t i z e(x)=r o u n d(c l i p(x,-1,1) imes M)/M \ Q(x)=s imes q u a n t i z eleft(frac{x-p}{s} ight)+p end{gathered} quantize(x)=round(clip(x,−1,1)×M)/MQ(x)=s×quantize(sx−p​)+p​

算法流程图：

在这里插入图片描述

硬件实现流程和时序图：

在这里插入图片描述

在这里插入图片描述


硬件实现：

CNN1单层实现：

在这里插入图片描述


Binarizer架构：

在这里插入图片描述

Binary max-pooling单元：

在这里插入图片描述

转置Buffer架构：

在这里插入图片描述


CNN：

在这里插入图片描述

LSTM:

在这里插入图片描述

bLSTM时序图：

在这里插入图片描述


实验结论：

在这里插入图片描述


**参考：**

Binary CorNET Accelerator for HR Estimation From Wrist-PPG

风语者！平时喜欢研究各种技术，目前在从事后端开发工作，热爱生活、热爱工作。

站长推荐