论文部分内容阅读
在信息化高速发展的时代里,由于高强度的工作压力使得心脑血管疾病的发病率逐年上升,该种类型疾病的预测一直是医生以及我们关注的问题。心电图(electrocardiogram,ECG)是目前用来侦测与判断是否患有心血管疾病的重要依据,针对ECG信号的处理水平直接决定此种疾病诊断的准确率。随着人类社会对ECG信号处理精准度和时效性的要求越来越高,目前常规的处理方法不再满足精度的需求,因此需要采用更为准确的算法处理和更为快速的算法实现。基于神经网络的复杂性和灵活性,通过NN训练进行ECG信号类别的预测是一种有效的办法。此外,从电路的角度,通过提高时钟工作频率的途径也有助于提高算法处理效率。本文通过使用MATLAB等软件对ECG算法进行建模和软件测试,并通过VIVADO软件进行算法硬件部分的仿真验证。首先,本论文对ECG信号处理方面和神经网络方面的发展现状进行分析,阐明了改进ECG处理算法以及优化ECG算法硬件实现模块的必要性。ECG产生和提取原理的介绍,为ECG的采集和特征提取提供了理论基础。此外,神经网络模型的建立过程以及神经网络要素和训练方法的学习,为采用神经网络方法进行ECG分类识别奠定理论基础。其次,本论文对ECG信号进行分析,确立ECG信号处理的切入点,然后在原有QRS特征提取算法的基础上进行改进,在保证精度的前提下,降低硬件实现难度。然后利用分类识别领域常用的三种方法进行ECG信号分类识别的模拟。结果表明,在有限的样本前提下,本文提出的基于卷积网络上改进的方法进行分类识别,准确率达到0.97。此外在Huffman算法的基础上,针对待压缩数据进行符号法和平移法切割分段处理,使得该模块的压缩比达到0.38。最后,本论文对ECG神经网络算法和压缩算法进行部分硬件仿真验证,给出针对ECG信号的硬件压缩方案和神经网络卷积层运算的加速方案。结果表明:选择1280个数据的单样本作为原存储文件,其存储大小为12.5K,压缩之后为4.3K。在神经网络方面,给出了部分子模块的设计过程,并采用并行处理和流水线等方法对子模块进行优化,子模块最高的时钟工作频率可达到0.5GHz。