- 文献综述（或调研报告）：
CNN在图像识别领域应用比较广泛，ECG信号具有与图像比较相似的局部与整体的相关性，因而也可以将CNN应用到ECG信号处理领域。基于心电信号的心血管疾病诊断是医学信息技术和人工智能领域的热点问题。2017年，Hong等[1]提出了将专家特征与神经网络相结合进行心电分类的方法；Zhou等[2]提出了一种利用一维卷积网络进行AF检测的方法；Pyakillya[3]等提出了一种一维卷积层和FCN层用于心律失常检测的深度学习结构；2018年，Salem等[4]将每个数据实例都通过光谱图转换成图像，图像被输入到一个预先训练好的DenseNet（一个161层的深度CNN）中，通过找到12个中间卷积层的输出实现特征提取。
文 献［5］使用 CNN 自动识别和分类 5 种不同的 ECG 心跳类型，其在有噪声数据和去噪声数据的准确率分别为 93．47%和 94． 03%，说明了 CNN 在生物医学信号领域具有较大的潜力。文 献［6］构建了一个 34 层卷积神经网络以诊断 14 类心律不齐，准确率可以媲美经验丰富的医生。但过多的网络层数增加了训练难度，学习速率也慢。文献［7］提出了一种 ECG-CNN 模 型，其在 11760 条记录上分类结果的特异性达到了93．59%，但灵敏度仅为 61．98%，该方法以牺牲灵敏度为代价而提高特异性，增加了漏诊的风险。上述方法中，由于模型结构复杂，造成模型运算量大，训练时间长，识别准确率不高等问题。针对传统深度神经网络在心律不齐检测中存在的训练时间长、运算量大、识别率不高等问题，文献[8]提出了一种简洁、高效的卷积神经网络模型( Simple but Efficient CNN，SE-CNN)用于自动检测 ECG 心律不齐，该模型使用单导联 ECG 数据构建了一个一维卷积神经网络，在网络层数、训练参数、运算时间等方面具有优势。在保证模型良好训练性能情况下，使其能够以较快的训练速度达到一个较高的识别精度。通过使用MIT-BIH 心律失常数据库的数据进行验证，SE-CNN 的准确率为 96．41%。文献[9]提出了一种一维卷积神经网络模型，可从原始心电数据中提取有效特征并实现自动分类。该模型实现了对5种典型心律失常信号的分类，即正常心搏(N)、室上性早搏(s)、室性早搏(V)、心室融合心跳(F)、未分类心跳(Q)。在MIT-BIH心律失常数据库上的实验结果表明，该方法的分类准确率较高，达到97．8％，并且稳定性也较高。
在压缩深度卷积神经网络时，传统的矩阵分解方法专注于卷积层的压缩。文献[10]中描述的典型网络中，约90%的存储被密集连接的层所占据;超过90%的运行时间是由卷积层占用的。Denton等人他们探索了加速CNN测试时间的矩阵分解方法[11]。这些研究表明，通过探究CNN参数的线性结构(特别是卷积层)，可以将CNN的测试时间提高200%，同时将精度保持在原模型的1%以内。另一个加速CNN的类似工作是[12]，在该工作中，作者描述了几种在卷积层中逼近文件的重构方法。他们的两个作品的目标是互补的，因为他们专注于压缩卷积层来加速CNN。然而，我们的重点是压缩紧密连接层，以减少模型的大小来减小存储需求。这时我们考虑的是矢量量化方法[13]。文献[13]是国内最早系统探索压缩CNNs紧密连通层的矢量量化方法以减少存储空间的单位，并且对不同的矢量量化方法进行了全面的评价。结果表明，特别是产品量化等结构化量化方法明显优于其他方法。文献中还对图像检索等其他任务进行了实验，验证了压缩模型的泛化能力。
使用量化方法模型压缩时可能存在一些问题。目前对于图像分类任务，许多量化技术都可以达到无损压缩，但是当任务变得复杂时，例如图像分割等等，使用量化通常会对模型精度带来巨大影响。尤其对于模型较大的卷积神经网络，比如GoogLeNet，二值网络会使网络精度大幅下降。此外，目前存在的二值化策略都是基于简单的矩阵相乘，这忽略了二值化对精度损失的影响[14]。
文献[15]中还提出一种基于滤波器裁剪的新型卷积神经网络模型加速算法。通过计算卷积层中滤波器的标准差值衡量该滤波器的重要程度，裁剪对神经网络准确率影响较小的滤波器及对应的特征图，可以有效地降低计算成本。与裁剪权重不同，该算法不会导致网络稀疏连接，不需要应用特殊的稀疏矩阵计算库. 基于 CIFAR-10 数据集的实验结果表明，该滤波器裁剪算法能够对 VGG-16 和ResNet-110 模型加速 30% 以上，通过微调继承的预训练参数可以使结果接近或达到原始模型的精度。
参考文献
［1］HONG S，WU M，ZHOUY，et al. Encase：an ensemble classifier for
ECG classification using expert features and deep neural networks［J］.
Computing in cardiology（CinC），2017：1-4.
［2］ ZHOU X，ZHU X，NAKAMURA K，et al. Atrial fibrillation detection
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
