心臟疾病嚴(yán)重威脅著人類健康,由于多數(shù)心臟疾病具有間歇發(fā)作的特點(diǎn)且發(fā)作頻率較低,臨床上長時(shí)心電圖（ECG,electrocardiogram）分析已經(jīng)成為檢測心臟疾病的重要手段。隨著智能移動終端的普及以及人工智能的發(fā)展,利用移動終端對ECG進(jìn)行實(shí)時(shí)自動分類成為可能。本文以智能移動終端為載體,分別針對病人間通用（inter-patient）和特定病人專用（patient-specific）的ECG實(shí)時(shí)分類場景,提出了基于卷積神經(jīng)網(wǎng)絡(luò)（CNN,Convolutional Neural Network）的高性能分類算法,重點(diǎn)解決數(shù)據(jù)預(yù)處理復(fù)雜度較高、異常心律檢測率偏低等問題�？紤]到CNN的計(jì)算量及計(jì)算能耗普遍偏大,本文進(jìn)一步研究并提出了一種CNN加速器架構(gòu),有效地提升了算法運(yùn)行性能并降低了功耗。為契合智能移動終端的多應(yīng)用場景,提出的加速器架構(gòu)同時(shí)支持對多種通用CNN模型進(jìn)行加速。本文的主要研究內(nèi)容及其特點(diǎn)如下。1.基于特征合成輸入和多分辨率神經(jīng)網(wǎng)絡(luò)的ECG分類算法研究。針對interpatient心跳分類問題,提出了一種基于CNN的利用空洞卷積實(shí)現(xiàn)多重分辨率的分類算法。該方法將ECG形態(tài)特征、... 

【文章來源】：浙江大學(xué)浙江省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：136 頁

【學(xué)位級別】：博士

【部分圖文】：

基于信號處理技術(shù)的心跳分類算法流程圖

浙江大學(xué)博士學(xué)位論文緒論15圖1-5各存儲層次訪問相對能耗[101]1.4.4專用指令集一些加速器架構(gòu)通過設(shè)計(jì)特定的運(yùn)算單元實(shí)現(xiàn)對卷積等運(yùn)算的加速，這類加速器雖能對特定神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)加速功能，但軟件兼容性較低，無法應(yīng)對網(wǎng)絡(luò)規(guī)模和架構(gòu)的變化或需要進(jìn)行更復(fù)雜的軟硬件適配工作。而通用指令集雖然有足夠的靈活性，但在執(zhí)行CNN運(yùn)算時(shí)代碼密度較低且能耗更高[119]，因此一些研究者[119]-[121]通過設(shè)計(jì)專用指令集（DISA，DedicatedInstructionSetArchitecture）和基于指令集的加速器架構(gòu)實(shí)現(xiàn)兼顧軟件設(shè)計(jì)靈活性和硬件能效的目的。CNN加速器架構(gòu)專用指令集按照指令特點(diǎn)可以分為基于層計(jì)算的指令集（LBISA，Layer-basedISA）和基于算子計(jì)算的指令集（OBISA，Operator-basedISA）。LBISA以CNN中層為計(jì)算單位，一條指令可以控制一個(gè)完整層的運(yùn)算。LBISA通常以層的類型定義指令類型，如Chen[119]等人提出的CNN專用指令集包括卷積指令、激活指令、池化指令和其他通用指令等幾種指令類型。OBISA則以CNN中涉及的運(yùn)算為計(jì)算單位，一條指令可以完成張量、向量或標(biāo)量間的乘或加運(yùn)算。OBISA通常以運(yùn)算類型定義指令類型，如Liu[120]等人提出的Cambricon指令集包括計(jì)算指令，邏輯指令，數(shù)據(jù)傳輸指令等指令類型，計(jì)算類指令又包括矩陣、向量和標(biāo)量等幾種指令。此外，Moons[121]等人提出的CNN定制指令集同樣基于OBISA。1.4.5加速器計(jì)算平臺目前卷積神經(jīng)網(wǎng)絡(luò)加速器主要基于現(xiàn)場可編程門陣列（FPGA，F(xiàn)ield-ProgrammableGateArray）[122]-[124]和專用集成電路（ASIC，ApplicationSpecific

浙江大學(xué)博士學(xué)位論文基于特征合成輸入和多分辨率神經(jīng)網(wǎng)絡(luò)的ECG分類算法研究222.3.1信號預(yù)處理與輸入特征合成2.3.1.1信號預(yù)處理ECG信號的預(yù)處理主要是從原始心電信號中提取出心跳信號片段，并對此片段進(jìn)行規(guī)范化。為獲得規(guī)范化的心跳信號片段，ECG信號預(yù)處理共包含三個(gè)環(huán)節(jié)：信號截娶片段縮放和基線校準(zhǔn)。截取心跳信號片段首先需確定心跳中R峰位置，由于目前已有許多R峰檢測算法[128]-[132]，且已能取得超過99%的檢查準(zhǔn)確率，因此本文不再進(jìn)行專門的R峰檢測，而是直接使用數(shù)據(jù)庫中標(biāo)注的R峰位置代替實(shí)際應(yīng)用中的檢測環(huán)節(jié)。目前常用的信號截取方法為從當(dāng)前心律的R峰前T1時(shí)間固定截取到R峰后T2時(shí)間。這種固定截取方法能很好的滿足CNN網(wǎng)絡(luò)對固定輸入長度的需求，但由于個(gè)體差異以及運(yùn)動狀態(tài)等的影響，不同樣本心率變化區(qū)間較大[21]，較長的心跳在采用此類固定截取方法時(shí)會不可避免丟失部分形態(tài)特征，而較短的心跳則會導(dǎo)致引入附近心跳的信息。不同類型形態(tài)特征會導(dǎo)致CNN網(wǎng)絡(luò)學(xué)習(xí)和提取深度特征的困難，且一旦引入附近心跳的關(guān)鍵特征則極易造成對分類的干擾。圖2-2展示了此問題的一個(gè)示例。SVEB的P波疊加在了N節(jié)律的T波上，這導(dǎo)致兩個(gè)QRS復(fù)合波之間只存在一個(gè)波峰。由于N節(jié)律的P波到QRS復(fù)合波的信號區(qū)間與SVEB的疊加波（Superi）到QRS復(fù)合波信號區(qū)間的形態(tài)具有高度的相似性，所以使用固定長度的分割方法會導(dǎo)致一部分N和SVEB樣本很難被神經(jīng)網(wǎng)絡(luò)區(qū)分。圖2-2定長分割與動態(tài)分割


本文編號：3221279