排序方式： 共有1条查询结果，搜索用时 78 毫秒
1
1.
针对传统ARM处理器算力低、不适用于实时性需求比较高的应用场景的问题，本文提出了一种基于ARM处理器的单指令多数据(Single Instruction Multiple Data, SIMD)指令集的轻量化卷积神经网络计算加速方法，并将该方法用于处理脑电信号(Electroencephalogram, EEG)来进行手术过程中麻醉深度监测.通过可学习步长量化的方法得到轻量化卷积神经网络，减少浮点数的运算量，极大地提高了网络速度.采用基于ARM处理器SIMD指令集的卷积加速器，各卷积层分别可加速几十倍、几百倍，甚至一万多倍.在Ultra 96-V2开发板上用ARM处理器实现整个网络的运算，在昆士兰大学生命体征公开数据集上的测试结果表明，仅需39.64ms就可以处理时间跨度为1s的EEG单通道信号，速度提高到原来的10.5倍，且功耗仅为0.1J,在提升速度的同时基本保持网络预测的准确率，能够很好地预测出麻醉深度. 相似文献
1