| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2020-11-17 14:25 Sparse Robust Deep Autoencoderを用いた心電図外れ値検出器のハードウェア向けモデル圧縮手法について ○曽我尚人・佐藤真平・中原啓貴（東工大）  VLD2020-17 ICD2020-37 DC2020-37 RECONF2020-36 |
|
| 抄録 | （和） | 近年，心電図を日常生活の中で記録できるように携帯型の心電図計やウェアラブルデバイスが普及し始め ている. これらの測定機器から得られた心電図データを，深層学習を含む機械学習を用いて自動解析する研究が盛んに 行われている. しかし, 通常の深層学習のモデルはパラメータ数が膨大であり，携帯型のハードウェアへの実装に適さ ない. 本研究では，小型の組み込み機器に，ニューラルネットワークをベースとした Autoencoder による心電図の外 れ値検出器を実装する方法を提案する. 本研究では，教師データ無しで学習できる Robust Deep Autoencoder を用い て外れ値検出器の学習を行った. その際にスパース化を行い，重みパラメータ数の削減を行った. さらに，固定小数点 化，weight sharing を適用し，精度を維持したまま重みパラメータ容量を 96% 削減できることを示した.Autoencoder を FPGA 上に実装して実行時間，消費電力の測定を行い，CPU に比 べて 12 倍高速かつ 106 倍の電力効率で動作す ることを確認した. |
| （英） | Advancements in portable electrocardiographs have allowed electrocardiogram (ECG) signals to be recorded in everyday life. Machine-learning techniques, including deep learning, have been used in numerous studies to analyze ECG signals because they exhibit superior performance to conventional methods. However, deep-learning based models often have too many parameters to implement on mobile hardware, its amount of hardware is too large and dissipates much power consumption. We propose a design flow to implement the outlier detector using an autoencoder on a low-end FPGA. To shorten the preparation time of ECG data used in training an autoencoder, an unsupervised learning technique is applied. Additionally, to minimize the volume of the weight parameters, a weight sparseness technique is applied. Also, all the parameters are converted into fixed-point values, and weight sharing technique was applied to further reduce the weight parameter volume. We implemented the autoencoder on a Digilent Inc. ZedBoard and compared the results with those for the ARM mobile CPU for a built-in device. The results indicated that our FPGA implementation of the outlier detector was 12 times faster and 106 times more energy-efficient. | |
| キーワード | （和） | 外れ値検出 / autoencoder / 教師なし学習 / FPGA / / / / |
| （英） | outlier detection / autoencoder / unsupervised learning / FPGA / / / / | |
| 文献情報 | 信学技報, vol. 120, no. 237, RECONF2020-36, pp. 36-41, 2020年11月. | |
| 資料番号 | RECONF2020-36 | |
| 発行日 | 2020-11-10 (VLD, ICD, DC, RECONF) | |
| ISSN | Online edition: ISSN 2432-6380 | |
| 著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します．(許諾番号：10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) | |
| PDFダウンロード | VLD2020-17 ICD2020-37 DC2020-37 RECONF2020-36 |
|
| 研究会情報 | |
| 研究会 | VLD DC RECONF ICD IPSJ-SLDM |
| 開催期間 | 2020-11-17 - 2020-11-18 |
| 開催地（和） | オンライン開催 |
| 開催地（英） | Online |
| テーマ（和） | デザインガイア2020 -VLSI設計の新しい大地- |
| テーマ（英） | Design Gaia 2020 -New Field of VLSI Design- |
| 講演論文情報の詳細 | |
| 申込み研究会 | RECONF |
| 会議コード | 2020-11-VLD-DC-RECONF-ICD-SLDM |
| 本文の言語 | 日本語 |
| タイトル（和） | Sparse Robust Deep Autoencoderを用いた心電図外れ値検出器のハードウェア向けモデル圧縮手法について |
| サブタイトル（和） | |
| タイトル（英） | Energy-Efficient ECG Signals Outlier Detection Hardware Using a Sparse Robust Deep Autoencoder |
| サブタイトル（英） | |
| キーワード(1)（和/英） | 外れ値検出 / outlier detection |
| キーワード(2)（和/英） | autoencoder / autoencoder |
| キーワード(3)（和/英） | 教師なし学習 / unsupervised learning |
| キーワード(4)（和/英） | FPGA / FPGA |
| キーワード(5)（和/英） | / |
| キーワード(6)（和/英） | / |
| キーワード(7)（和/英） | / |
| キーワード(8)（和/英） | / |
| 第1著者 氏名（和/英/ヨミ） | 曽我 尚人 / Naoto Soga / ソガ ナオト |
| 第1著者 所属（和/英） | 東京工業大学 (略称： 東工大) Tokyo Institute of Technology (略称： Tokyo Tech) |
| 第2著者 氏名（和/英/ヨミ） | 佐藤 真平 / Shimpei Sato / サトウ シンペイ |
| 第2著者 所属（和/英） | 東京工業大学 (略称： 東工大) Tokyo Institute of Technology (略称： Tokyo Tech) |
| 第3著者 氏名（和/英/ヨミ） | 中原 啓貴 / HIroki Nakahara / ナカハラ ヒロキ |
| 第3著者 所属（和/英） | 東京工業大学 (略称： 東工大) Tokyo Institute of Technology (略称： Tokyo Tech) |
| 講演者 | 第1著者 |
| 発表日時 | 2020-11-17 14:25:00 |
| 発表時間 | 25分 |
| 申込先研究会 | RECONF |
| 資料番号 | VLD2020-17, ICD2020-37, DC2020-37, RECONF2020-36 |
| 巻番号（vol） | vol.120 |
| 号番号（no） | no.234(VLD), no.235(ICD), no.236(DC), no.237(RECONF) |
| ページ範囲 | pp.36-41 |
| ページ数 | 6 |
| 発行日 | 2020-11-10 (VLD, ICD, DC, RECONF) |
[研究会発表申込システムのトップページに戻る]