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
\begin{gathered} q u a n t i z e(x)=r o u n d(c l i p(x,-1,1)\times M)/M \\ Q(x)=s\times q u a n t i z e\left(\frac{x-p}{s}\right)+p \end{gathered}
quantize(x)=round(clip(x,−1,1)×M)/MQ(x)=s×quantize(sx−p)+p
算法流程图：
硬件实现流程和时序图：
硬件实现：
CNN1单层实现：
Binarizer架构：
Binary max-pooling单元：
转置Buffer架构：
CNN：
LSTM:
bLSTM时序图：
实验结论：
文章来源：https://www.toymoban.com/news/detail-483148.html
**参考：**
Binary CorNET Accelerator for HR Estimation From Wrist-PPG文章来源地址https://www.toymoban.com/news/detail-483148.html
到了这里，关于论文阅读和分析：Binary CorNET Accelerator for HR Estimation From Wrist-PPG的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
![[论文阅读]A ConvNet for the 2020s](https://imgs.yssmx.com/Uploads/2024/02/731208-1.png)
