基于FPGA的心电检测算法

愉快电检测系统由两部分构成：第一部分是基于差分阈值（Differential Threshold，DT）法的R波定位预解决；第二部分是基于卷积神经采集（Convolutional Neural Network，CNN）的特征进修与推理。通过将这两部分连合，系统大约及时检测心电信号中的R波并对其进行分类。

二、R波定位预解决部分

在心电信号解决中，R波的准细目位是会诊心律失常的热切步伐。为了擢升R波定位的准确性，本文提议了校阅的R波阈值定位算法。

1. 校阅的差分阈值算法

差分阈值假想：领先，从1500个心电进修样本入彀算心电信号的最大差分值均值，并将其当作阈值。通过差分运算零散心电信号的变化趋势，使R波更容易被识别。

候选R波检测：愚弄差分阈值比拟模块对预解决后的信号进行阈值判断，筛选出可能的R波峰值点。这一步通过级联比拟器模块对信号进行初步检测，获取候选R波位置。

心率周期动态调养：为了进一步擢升R波定位的准确性，利精心率周期信息对候选R波进行二次筛选。通过动态调养心率周期，不错摈斥由于噪声或其他成分引起的造作检测，从而准确细目R波的位置。

2. 数据寥落化与采样

寥落化解决：在R波准细目位后，对R波峰的邻域进行采样，将原始的高频采样数据进行寥落化。这么不仅不错裁汰数据量，还不错减少后续CNN解决的假想复杂度。

硬件竣事：在FPGA中假想了迭代比拟模块，愚弄分时复用时间裁汰硬件资源的破钞，确保模块在及时性和功耗方面达到均衡。通过调养心率周期的动态规模，幸免遗漏R波位置。

三、卷积神经采集（CNN）特征进修与推理部分

在R波定位后，系统需要对索取到的R波特征进行分类，以会诊不同类型的心律失常。本文华用卷积神经采集进行特征进修与推理。

1. CNN汇蚁集构假想

参考LeNet-5模子，本文将二维数据输入的采集模子校阅为一维序列数据采集模子，使其适用于心电信号的解决。校阅后的CNN汇蚁集构包含六层：输入层、中间隐含层（三层卷积采集）以及两层全贯穿层。

输入层：将差分阈值法产生的R波峰值邻域点集（降采样后的R波数据集）当作CNN的输入。输入数据经过归一化解决，符合采集模子的输入条目。

卷积层：三层卷积采集用于索取输入信号中的时序特征。每一层卷积采集通过卷积查对输入数据进行特征索取，逐步擢升采集对R波特征的暗示能力。卷积核的尺寸和数目在假想中进行了优化，以均衡假想复杂度和特征索取效能。

全贯穿层：将卷积层索取的特征映射到全贯穿层，通过线性变换竣事对心电信号的分类。终末一层全贯穿层输出各个类别的得分，用于心电信号分类的最终决议。

2. CNN采集进修与优化

数据集隔离：翌日自R波定位模块的R波数据集分为进修数据集和考证数据集，分别用于CNN模子的进修和考证。

采集优化：在进修经由中，缔造学习率、优化函数等参数，并调养卷积核尺寸、全贯穿层节点数等超参数，进行迭代进修。通过对进修经由中的亏欠函数和准确率进行分析，竣事快速拘谨和准确度的均衡。

模子准确率：经检测，校阅后的CNN采集模子分类准确率达到了99.58%。

四、FPGA硬件竣事

为竣事整个心电检测系统在FPGA上的硬件加快，假想了R波阈值定位检测算法模块和CNN分类算法模块的硬件结构。

1. R波阈值定位模块

电路结构假想：提议了局部活水连合全局分时调理的电路结构，以均衡及时性和功耗。在R波定位模块中，愚弄迭代比拟模块对输入信号进行及时差分和阈值比拟，通过调养心率周期参数，使得R波位置的检测愈加准确。

时钟频率调养：为振作系统的朦拢率条目，分析了数据库中心电心率的速率统计，并细目了R波定位模块的最小时钟频率。该频率不错动态调养，以符合不同的心电疾病解决场景。

分时复用：在R波定位模块中，愚弄分时复用时间，减少硬件比拟器的使用，从而裁汰资源破钞。通过这种面目，模块大约在有限的硬件资源下，竣事准确的R波定位。

2. CNN分类算法模块

采集编订与简化：基于软件部分的六层CNN模子进行前向推理，并对采集模子实行编订与简化。简化后的CNN模子在保证准确率的同期，减少了硬件资源的占用，擢升了推理速率。最终，硬件竣事的简化CNN采集模子准确率约为98.3%。

关节模块假想：对硬件竣事的卷积神经采集分类模子各层进行了活水结构电路的关节模块假想，包括：卷积阵列电路：假想卷积运算的阵列结构，愚弄FPGA的并行假想能力，竣事多个卷积核同期对输入数据进行卷积操作，擢升运算效能。ReLU激活函数：在硬件中竣事ReLU激活函数，通过毛糙的比拟运算，竣事非线性激活，擢升采集的抒发能力。平均池化电路：假想平均池化层电路，愚弄FPGA的加法器和移位寄存器，竣事对卷积层输出的降采样。全贯穿层电路：将卷积层的输出展平，并与全贯穿层权重进行矩阵乘法，完成特征的线性组合和分类。SoftMax函数：在终末一层竣事SoftMax函数，通过指数运算和归一化解决，将全贯穿层输出滚动为概率分散，用于分类决议。

3. 硬件资源与性能均衡

为了竣事低资源破钞与满盈的推理准确率，假想经由中对硬件资源进行了优化：

资源分派：针对不同模块的假想特质，对FPGA的逻辑单位、乘法器、寄存器等资源进行合理分派，竣事资源的最优愚弄。

速率与准确度均衡：通过活水线假想和分时复用时间，裁汰了系统的延长，擢升了推理速率，振作心律失常症状的及时多分类需求。

五、R波检测与CNN分类IP核假想

假想的R波检测IP核和CNN-IP核不错用于构建智能硬件电路，适用于便携式的可穿着AI芯片和系统。

IP核集成：将R波定位和CNN分类算法模块封装成IP核，绵薄集成到不同的FPGA假想中，提供通用的心电信号检测与分类功能。

可穿着确立应用：假想的IP核具有低功耗和及时性，适用于可穿着心电检测确立，竣事对心电信号的及时监测和智能分析，为心律失常等腹黑疾病的会诊提供接济。

module r_wave_detection (

input wire clk,

input wire rst_n,

input wire [11:0] ecg_data, // 输入心电数据

output reg [11:0] r_wave_pos, // R波位置

output reg r_wave_detected // R波检测秀雅

);

// 参数界说

parameter THRESHOLD = 12'd300; // 差分阈值

parameter MIN_INTERVAL = 12'd200; // 最小R-R散伙

reg [11:0] prev_data;

reg [11:0] diff;

reg [11:0] rr_interval;

// 差分与阈值比拟

always @(posedge clk or negedge rst_n) begin

if (!rst_n) begin

prev_data

diff

rr_interval

r_wave_detected

end else begin

// 差分假想

diff prev_data) ? (ecg_data - prev_data) : (prev_data - ecg_data);

prev_data

// R波检测

if (diff > THRESHOLD && rr_interval > MIN_INTERVAL) begin

r_wave_pos

r_wave_detected

rr_interval

end else begin

r_wave_detected

rr_interval

end

end

end

endmodule

原始信号波形和去噪平滑解决后的心电信号波形对比

数据解决：

# fpga斥地