心臟疾病是全球主要死亡原因之一，而心律失常的早期診斷對挽救生命至關重要。傳統心電圖(ECG)分析依賴醫生經驗，深度學習雖能提升診斷精度，但復雜的卷積神經網絡(DCNN)在資源有限的便攜設備上部署時，就像試圖把大象塞進冰箱——面臨內存占用大、計算延遲高、功耗驚人三大難題。更棘手的是，醫療場景對模型準確性和實時性有著近乎苛刻的雙重要求，現有FPGA實現方案要么犧牲精度采用1D-CNN，要么陷入量化誤差與資源消耗的惡性循環。

針對這一系列挑戰，研究人員開發了一套革命性的解決方案：基于AMD-Xilinx高位合成(HLS)工具鏈，在PYNQ-Z2開發板上構建了首個支持4比特量化ECG心拍圖像的并行雙分支CNN架構。這項研究巧妙融合了硬件優化與算法創新，通過三項核心技術突破：1）并行量化像素卷積(PQP-Conv)模塊，將濾波器點乘操作并行化；2）跳零權重(SZW)單元，智能跳過零值權重計算；3）加法-池化融合單元，減少50%內存訪問。最終在僅占用31.93%查找表(LUT)資源的情況下，實現了63 GOPS的驚人吞吐量。

關鍵技術方法包括：采用MIT-BIH心律失常數據庫(AAMI EC57標準)的64×64灰度心拍圖像；設計雙分支2D-CNN架構（細粒度局部特征+全局上下文特征）；使用Vitis HLS 2022.2進行C++硬件建模；實施層間動態量化策略保持UINT4精度；通過Vivado工具評估資源占用與時序性能。

【Related works】
現有研究多采用結構化剪枝或8比特量化壓縮模型，但會引發精度失衡問題。相比Verilog HDL實現的1D-CNN方案，本研究首次實現2D-CNN在FPGA上的高效部署，且無需犧牲關鍵權重。

【Methodology】
創新性地將標準卷積與PQP-Conv分層應用：前兩層處理原始量化圖像，后續層啟用并行卷積。通過消除ReLU激活函數，利用UINT4的非負特性簡化計算，DSP單元占用控制在50.45%。

【Experimental results】
硬件測試顯示：對N/S/V/F/Q五類心拍的分類準確率達97.79%，較同類FPGA方案提升6.2%；功耗降低至2.3W；BRAM占用僅30%，證明4比特量化的有效性。

【Conclusion】
該研究開創性地將醫療AI推理加速器開發周期從數月縮短至數周，其HLS-C++協同設計范式為邊緣計算醫療設備樹立了新標桿。特別值得注意的是，SZW架構使零權重過濾效率提升40%，這對未來超聲、EEG等生物信號處理器的開發具有普適意義。PYNQ框架的Python接口設計，更使得該設備可直接應用于基層醫療機構，有望改變偏遠地區心臟監護資源匱乏的現狀。