基于FPGA的ECG信号处理算法实现

摘要

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。

目录

声明

第一章 绪论

1.1 研究背景及意义

1.2 国内外研究历史与现状

1.3 本文的主要贡献与创新

1.4 本论文的结构安排

第二章 ECG和神经网络基本理论

2.1 ECG产生原理

2.1.1 动作电位产生

2.1.2 ECG产生

2.2 ECG提取原理

2.3 神经网络

2.3.1 神经元模型

2.3.2 神经网络模型

2.4 网络训练要素

2.4.1 学习规则

2.4.2 功能函数

2.4.3 指标参数

2.5 网络训练过程

2.6 本章小结

第三章 ECG处理方法探究

3.1 ECG信号数学分析

3.2 ECG信号采集方案

3.3 ECG信号特征提取

3.4 ECG网络训练

3.4.1 特征浮点量化

3.4.2 训练方法比较

3.5 ECG压缩方案

3.6 本章小结

第四章 硬件方案实现

4.1 电路优化方法

4.1.1 流水线方法

4.1.2 并行处理方法

4.1.3 重定时方法

4.2 ECG 神经网络电路

4.2.1 激活函数实现

4.2.2 卷积核实现

4.3 ECG压缩电路

4.4 本章小结

第五章 全文总结与展望

5.1 本文的主要工作

5.2 后续工作展望

致谢

参考文献

硕士期间取得的研究成果