论文阅读和分析：Binary CorNET Accelerator for HR Estimation From Wrist-PPG

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$\mu J$，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：
$$\begin{array}{c}quantize(x)=round(clip(x,-1,1)\times M)/M\\ Q(x)=s\times quantize\left(\frac{x-p}{s}\right)+p\end{array}$$

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：

**参考：**

Binary CorNET Accelerator for HR Estimation From Wrist-PPG