心脏疾病严重威胁着人类健康,由于多数心脏疾病具有间歇发作的特点且发作频率较低,临床上长时心电图(ECG,electrocardiogram)分析已经成为检测心脏疾病的重要手段。随着智能移动终端的普及以及人工智能的发展,利用移动终端对ECG进行实时自动分类成为可能。本文以智能移动终端为载体,分别针对病人间通用(inter-patient)和特定病人专用(patient-specific)的ECG实时分类场景,提出了基于卷积神经网络(CNN,Convolutional Neural Network)的高性能分类算法,重点解决数据预处理复杂度较高、异常心律检测率偏低等问题。考虑到CNN的计算量及计算能耗普遍偏大,本文进一步研究并提出了一种CNN加速器架构,有效地提升了算法运行性能并降低了功耗。为契合智能移动终端的多应用场景,提出的加速器架构同时支持对多种通用CNN模型进行加速。本文的主要研究内容及其特点如下。1.基于特征合成输入和多分辨率神经网络的ECG分类算法研究。针对interpatient心跳分类问题,提出了一种基于CNN的利用空洞卷积实现多重分辨率的分类算法。该方法将ECG形态特征、RR间期和历史分类信息合成具有丰富信息的原始神经网络输入,进而利用具有不同感受野的卷积核自动提取多分辨率特征来增加网络对不同类别心跳的识别能力。采用MIT-BIH数据库进行性能评估,该算法获得了92.9%的异常心律检测率。2.基于形态折叠和通道注意力神经网络的ECG分类算法研究。针对patientspecific心跳分类问题,提出了一种基于通道注意力神经网络的心跳分类算法。该方法利用心电中各子波特点将2通道ECG片段折叠成6通道作为网络输入,并采用并行多路卷积对多通道特征进行离散组合,进而利用通道注意力模型自动强调有利于区分不同类型心跳的特征从而有效增强分类性能。基于MIT-BIH数据库进行性能评估,该算法取得了98.0%的分类准确率。3.适用于智能移动终端的高能效CNN加速器架构研究。提出了一种指令驱动的高能效加速器架构TruthSeek,可以有效支撑包括上述ECG分类算法在内的多种CNN模型的加速。该架构通过自定义指令集和寄存器实现卷积层与池化层合并运算从而有效降低存储器访问功耗,同时利用网络稀疏性进一步减少运算周期并提升性能。基于5种不同类型计算量介于0.4M至3.8G之间的CNN模型进行评估,TruthSeek加速器平均一次推理仅需0.057到65.6ms,并获得了0.06到0.42 GOPS/mW的任务能效比。此结果表明TruthSeek架构在移动终端领域具有一定的应用潜力。本文提出的关键方法与核心技术对于解决移动终端场景下心脏疾病监控所需的心跳实时分类问题具有积极的研究意义和应用价值,提出的CNN加速器架构对其他领域神经网络加速器架构设计还具有一定的借鉴意义。