心电图(ECG)监测心脏产生的电活动,用于检测致命的心血管疾病(CVD)。从传统上讲,为了捕获精确的电活动,临床专家使用多铅的心电图(通常为12条线索)。但是最近,大尺寸的深度学习模型已被用于检测这些疾病。但是,这样的模型需要大量的计算资源,例如巨大的记忆和漫长的推理时间。为了减轻这些缺点,我们提出了一个低参数模型,称为低资源心脏网络(LRH-NET),该模型使用较少的潜在客户在资源受限的环境中检测ECG异常。除此之外,还使用多层次知识蒸馏过程,以在我们提出的模型上获得更好的概括性能。多层次知识蒸馏过程将知识提炼成经过培训的LRH-NET,以减少在多个线索中训练的高级参数(教师)模型减少铅的铅,以减少性能差距。在Physionet-2020挑战数据集上评估了所提出的模型,输入受限。 LRH-NET的参数比检测CVD的教师模型小106倍。与教师模型相比,LRH-NET的性能缩放高达3.2%,推理时间降低了75%。与计算和参数密集的深度学习技术相反,提出的方法使用了使用低资源LRH-NET的ECG铅的子集,使其非常适合在边缘设备上部署。
translated by 谷歌翻译