杜煜章，潘家华，宗 容，粟 炜，王威廉

1.云南大学 信息学院，昆明 650504

2.云南省阜外心血管病医院，昆明 650102

心脏杂音是识别先天性心脏病（Congenital Heart Disease，CHD）最常见的体征，通过心脏听诊可以准确快速地进行新生儿先天性心脏病临床筛查[1]。然而，依靠医生人工进行先心病临床筛查难度大、成本高，因此，有研究者提出基于深度学习的先心病机器辅助诊断系统，辅助医生进行听诊，提高筛查效率，提升准确率[2]。

卷积神经网络（Convolutional Neural Networks，CNN）是一种重要的深度学习模型，广泛应用于计算机视觉、自然语言处理等领域。因其善于从海量数据中挖掘抽象的特征，且拥有高度的泛化性与出色的识别能力，近年来CNN也被运用于心音的分类研究中[3-4]。为满足传统卷积神经网络在运算量、存储空间方面的需求，目前CNN主要被部署在CPU或GPU上。但因CNN计算过程具有多种并行特征，可利用FPGA对CNN并行计算过程进行硬件加速[5-7]。

为充分利用FPGA的并行计算特性，许多研究团队在CNN的FPGA硬件加速与实现方面做了大量的研究[8-10]。Han等人提出“深度量化”，通过剪枝、权值共享、权值量化、哈夫曼编码等方法的共同协作，在不影响准确度的前提下，将卷积神经网络的存储需求减少35～49倍[11]。Zhao等人提出一种流设计思想，对不同的卷积层采用不同的量化精度与算法，在FPGA上实现了一种高性能的多精度多算法网络[12]。谷歌提出一种适用于嵌入式设备的轻量级神经网络MobileNet，该设计使用深度可分离卷积构建轻型深度神经网络，在准确度相近的情况下，相较于GoogleNet与VGG16参数与计算量减少了近90%[13]。……