[发明专利]一种基于深度神经网络的可穿戴心电图实时诊断系统

权利要求书

1.一种基于深度神经网络的可穿戴心电图实时诊断系统，其特征在于，包括：信号采集模块和主控模块，

所述信号采集模块，用于采集12导联心电图；

所述主控模块包括嵌入FPGA的诊断模型，所述诊断模型为训练好的深度神经网络，所述主控模块，用于对12导联心电图进行实时诊断，在诊断过程中FPGA中的卷积加速器采用分时复用的方式为诊断模型中的每个卷积层配置参数完成卷积运算，得到诊断结果；

所述主控模块还包括内部存储器，内部存储器包括输入缓存、权重缓存和输出缓存，分别用于缓存诊断模型的输入、权重和输出数据；

所述输入缓存、权重缓存和输出缓存的缓存方式均采用乒乓策略，以覆盖通信延迟和计算延迟；

所述乒乓策略包括：将上一级的处理结果保存在pong路的缓存中，pong路的数据准备好的时候，ping路的数据也处理完毕，下一级无需等待直接处理pong路数据，上一级将结果储存在ping路中。

2.如权利要求1所述的一种基于深度神经网络的可穿戴心电图实时诊断系统，其特征在于，所述深度神经网络依次包括：

输入层、预卷积模块、最大池化层、第一卷积块、第二卷积块、平均池化层、全连接层和分类器，

所述预卷积模块的卷积核大于第一卷积块的卷积核，第一卷积块的卷积核与第二卷积块的卷积核相等；所述预卷积模块、第一卷积块和第二卷积块中每个卷积层之后添加一个批量归一化层；所述全连接层中设置两个dropout层。

3.如权利要求2所述的一种基于深度神经网络的可穿戴心电图实时诊断系统，其特征在于，所述系统还包括：

训练模块，用于将带类别标签的12导联心电图样本作为训练集，训练深度神经网络，训练输出为M个类别标签，M≥1，训练过程中分类器的损失函数L_ω为：

其中，y_j,c表示真实的类别标签值，表示预测的类别标签值，ω_c为权重因子，与训练集中各类别样本的数量成比例，c为第c种类别，C为训练集中类别总数，j为第j个样本，N为训练集中样本总数。

4.如权利要求3所述的一种基于深度神经网络的可穿戴心电图实时诊断系统，其特征在于，所述权重因子为：

其中，n_c代表训练集中第c种类别的样本总数，n_c≤N。

5.如权利要求3或4所述的一种基于深度神经网络的可穿戴心电图实时诊断系统，其特征在于，所述诊断模型进行通道剪枝后嵌入FPGA，所述通道剪枝的具体实现方式为：

将批量归一化层中需要学习的参数γ作为网络压缩的比例因子，将损失函数修改为：L＝L_ω+λ∑g(γ)，其中，g(γ)是对比例因子的稀疏诱导惩罚，λ为平衡参数；

利用修改后的损失函数对深度神经网络进行训练后，去除深度神经网络中γ较小的批量归一化层的通道以及与该通道相连的卷积核中的权重。

6.如权利要求5所述的一种基于深度神经网络的可穿戴心电图实时诊断系统，其特征在于，所述利用修改后的损失函数对深度神经网络进行训练时，对于损失函数中不可微分的稀疏诱导惩罚项进行次梯度下降优化。

7.如权利要求1-4任一项所述的一种基于深度神经网络的可穿戴心电图实时诊断系统，其特征在于，所述诊断模型的参数、输入和中间数据均量化为无符号整数。

8.如权利要求2-4任一项所述的一种基于深度神经网络的可穿戴心电图实时诊断系统，其特征在于，所述主控模块还包括处理器，处理器用于运行分类器中输出数据的浮点运算，得到预测结果。