心脏病是一类常见的突发性疾病,发作时不进行及时诊治很容易对病人生命健康造成威胁。可穿戴式心电监护设备能够长期记录和实时分析心电信号,对心脏类疾病的发作做出及时预警,显著提升了患者发病时的存活率。实现高准确率的异常心跳识别算法及其高能效架构设计是目前可穿戴式心电监护设备所面临的主要挑战。本文以心跳自动分类为应用场景,从算法和电路两个方面进行探索,旨在提高便携式心电监护设备的诊断准确率和系统能效。本研究的主要贡献包括:1.基于BLSTM和CNN结合的心跳分类模型研究。本文提出一种双向长短时记忆网络(BLSTM,Bi-directional Long Short-term Memory)和卷积神经网络(CNN,Convolutional Neural Networks)有机结合的算法模型,有助于提取心电信号中多层次特征,实现了高准确率的心跳自动分类。进一步地,本文通过自适应心跳截取技术保证了不同患者输入到分类网络中的心电数据形式上的一致性,并采用聚类的方法筛选出最具代表性的样本用于构建训练集。上述策略有助于通过轻量级的网络规模获得更高的心跳分类准确率,契合便携式心电监护设备的应用场景。2.基于神经网络压缩的高能效心跳分类架构研究。神经网络算法在便携式设备的硬件架构实现上容易受到计算复杂度和访存带宽的制约。针对这一问题,本文将神经网络压缩方法耦合到架构设计过程中,显著降低了模型参数量和运算规模,提升了系统能效。进一步地,本文提出一种量化稀疏矩阵编码格式,充分利用了压缩后神经网络稀疏模型中权重数据的局部性,大大减少了网络权重相关的冗余运算和访存操作。基于上述设计的硬件架构在实现本文所提出的心电分类算法时,能量效率可以达到3.23 GOPS/mW,在目前边缘计算领域神经网络加速器中处于优秀水平。3.基于计算复用的高能效心跳分类架构研究。由于心脏活动的规律性,心电信号往往呈现出近似周期性的特点,从而使得高度相似的连续心跳在多次分类过程中产生大量相同的中间运算结果。为了进一步降低心跳分类架构的硬件能耗,本文提出一种利用心跳相似性来实现多维度计算复用的高能效设计。该设计通过保存前次运算的中间结果并在下次运算中识别相同部分进行复用,显著加速了分类网络的推理过程,对硬件动态功耗的优化具有积极意义。使用本文所提出的心跳分类算法进行测试,基于上述架构的心电信号处理器与不采用计算复用的架构相比,分类速度提升了2.58倍,单次分类的能耗降低61.27%。本文提出的关键技术具有良好的科学研究价值和实际应用前景,对提升便携式心电监护设备的分类性能和架构能效有积极指导意义。