论文部分内容阅读
随着心血管疾病发病率的逐年提升,心血管疾病的诊断与预防越来越被人们所关注。心电图(electrocardiogram,ECG)是医生进行心脏疾病诊断的重要依据,传统的临床诊断方法是医生通过对患者心电图进行人工分析进而做出诊断,这样的诊断方式可能会导致误诊漏诊的情况发生。心律失常分类算法的研究一方面能够对医生的诊断起到辅助作用,提高心血管疾病的诊断效率,有利于医疗资源合理分配;同时也能够移植到可穿戴设备上,为用户提供疾病预警和健康监护的功能。近年来,随着人们对于神经网络研究的进步,神经网络在很多研究领域中展现出了更加强大的分类性能,将卷积神经网络应用到心电信号的自动识别能够更好的提取心电信号的特征并进行准确率更高的多分类过程。为了使卷积神经网络更好的处理心电信号这样的一维时间序列,有研究者提出使用独热编码技术对心电信号进行图像化编码,结合CNN模型进行心律失常分类研究并取得了不错的分类效果,不足是图像化数据冗余度较高。针对上述方法存在的不足,本文使用了基于时间序列时间相关性特征的GASF(Gramian Angular Summation Field)图像化算法结合卷积神经网络的组合模型,一方面可以更好的提取心电信号的时间相关性特征,另一方面也很大程度上降低图像化数据的冗余度。本文主要工作分为以下几个部分:1.训练了基于GASF心电信号图像化算法和卷积神经网络的心律失常五分类模型。首先利用三层小波阈值去噪算法对MIT-BIH心律失常数据库中的心电信号去噪;利用差分阈值法对心电信号进行R波检测和心拍分割;选取大小为40*40的GASF矩阵提取心电信号的时间相关性特征,生成心电信号特征矩阵数据集;利用心电信号特征矩阵数据集训练心律失常五分类卷积神经网络模型,最终模型在测试集上的平均分类准确率为97.51%。2.设计并优化了心律失常分类系统FPGA实现的主要模块IP核。其中包括编写Verilog HDL代码在FPGA上实现了三层小波阈值去噪过程,并生成去噪IP核;利用Xilinx公司的HLS(High-Level Synthesis)工具分别设计了R波检测IP核、GASF图像化IP核、卷积神经网络模块中的卷积层IP核、池化层IP核、全连接层IP核。并通过对算法结构的改进、添加合理的优化指令及添加AXI4高速总线接口,进一步提升了上述IP核的运算性能。生成的高性能IP核将被用于搭建基于FPGA的心律失常分类系统。3.实现了基于FPGA的心律失常分类系统。利用生成的高性能算法模块IP核,通过软硬件协同仿真设计,最终在Xilinx ZC706开发平台上实现了分类准确率高、运算速度快、功耗低的心律失常分类系统,计算速度约为ARM计算速度的5.73倍。