基于FPGA的癫痫脑电信号分类方法、实现方法及装置制造方法及图纸

本发明专利技术公开了一种基于FPGA的癫痫脑电信号分类方法、实现方法及装置，在FPGA上构建适用于癫痫脑电信号分类的RNN网络结构模型硬逻辑，RNN网络结构模型依次包括输入层、Bi

【技术实现步骤摘要】
基于FPGA的癫痫脑电信号分类方法、实现方法及装置


[0001]本专利技术涉及的
为脑机接口(BCI)，具体涉及一种基于FPGA的癫痫脑电信号分类方法、实现方法及装置。

技术介绍

[0002]近年来，脑卒中(中风)已成为导致重度神经性残疾的重要原因，全世界每年约有1500万人患上脑卒中，随着全球人口的老龄化，这个数字可能会继续增加。目前，在医疗领域MI
‑
BCI应用最为广泛，基于MI
‑
BCI系统出色的灵活性，可以应用的场合非常多。如直接接受大脑控制的机械手臂和轮椅等设备，这些设备可以帮助患者完成一些基本操作，进而提高生活质量。此外，BCI系统还可以用于进行脑部的病理监测，如癫痫监测等。
[0003]深度学习技术的快速发展也为癫痫脑电信号特征提取与识别的研究工作提供了新的思路与方向。深度学习技术拥有非常强大的特征提取以及非线性拟合的能力，相对于传统的特征提取方法有着明显的优势。这也为脑机接口技术的发展提供了新的助力，借助于深度学习技术，脑机接口的应用也更加广泛。脑机接口系统通过分析采集的癫痫脑电信号，提取并识别受试者的意图，最终实现受试者对外部设备的控制。而癫痫脑电信号分类模块是整个系统的关键，直接决定整个系统的性能。目前各类具有高识别率的基于深度学习的癫痫脑电信号处理分析技术因其所需要的巨大计算量而基本依托云服务器实现。为了提高适用性，摆脱网络依赖性，尤其是针对延时敏感的应用，研究和实现适用于嵌入式处理器的基于深度学习的癫痫脑电信号处理分析技术具有十分重要的理论和现实意义。
[0004]基于FPGA的深度学习加速器可以有效的提高算法的运行速度，并且功耗较低。目前大多数基于深度学习的癫痫脑电识别分类算法都部署在GPU平台上，存在功耗高，灵活性差的问题。相比之下，利用FPGA能在保证网络计算速度的前提下，实现小型化，部署更加灵活，更适合脑机接口系统使用。

技术实现思路

[0005]本专利技术的目的在于提供一种基于FPGA的癫痫脑电信号分类方法、实现方法及装置，以解决上述
技术介绍
中提出的问题。
[0006]根据本公开的一个或多个实施例的一个方面，提供一种基于FPGA的癫痫脑电信号分类实现方法。
[0007]一种基于FPGA的癫痫脑电信号分类实现方法，该方法包括：
[0008]在FPGA上构建适用于癫痫脑电信号分类的RNN网络结构模型硬逻辑，RNN网络结构模型依次包括输入层、Bi
‑
LSTM层、Dropout层、全连接层、Softmax层和分类输出层；
[0009]建立RNN网络结构模型各层的IP核，采用同步数据流法将RNN网络结构模型中各层的IP核连接，并在相邻IP核之间插入AXI4
‑
Streaming寄存器片；
[0010]接收癫痫脑电信号特征训练数据，训练RNN网络结构模型，调整RNN网络结构模型权重值直至得到分类准确率最高的模型，并将训练好的模型参数存储于DDR存储器，得到实
现癫痫脑电信号分类的FPGA；
[0011]在FPGA的MCU端采用DMA驱动程序，实现在癫痫脑电信号分类时从DDR存储器中将训练好的模型参数传输至FPGA片上BRAM，利用RNN网络结构模型进行癫痫脑电信号分类。
[0012]进一步地，所述RNN网络结构模型中输入层的输入数据为由时频特征组成的特征向量，每个输入向量包括导联维度和特征维度，导联维度为23，特征维度为10，为防止网络的过拟合，在Bi
‑
LSTM层之后增加Dropout层，增强网络的泛化能力，全连接层的每个神经节点均与上一层的每个神经节点连接，将输入的特征空间线性映射到另一个特征空间，Softmax层将输出转换为各类别的概率数值，最后的分类输出层保存用于训练网络的丢失函数的名称、输出大小和类标签。
[0013]进一步地，所述RNN网络结构模型中各层的IP核是模块化和可参数化的模块，使用C语言在Vivado_hls中实现RNN网络结构模型各层的算法，将各个层的算法程序综合输出成RTL级别的IP核。
[0014]进一步地，设置加载权重标志，利用RNN网络结构模型进行癫痫脑电信号分类时重新加载任意层的权重值。
[0015]根据本公开的一个或多个实施例的一个方面，提供一种用于癫痫脑电信号分类的FPGA。
[0016]一种用于癫痫脑电信号分类的FPGA，该FPGA基于所述的一种基于FPGA的癫痫脑电信号分类方法实现方法，包括：
[0017]RNN网络结构模型，被配置为在FPGA上构建适用于癫痫脑电信号分类的RNN网络结构模型硬逻辑，RNN网络结构模型依次包括输入层、Bi
‑
LSTM层、Dropout层、全连接层、Softmax层和分类输出层；建立RNN网络结构模型各层的IP核，采用同步数据流法将RNN网络结构模型中各层的IP核连接，并在相邻IP核之间插入AXI4
‑
Streaming寄存器片；训练好的模型参数存储于DDR存储器；
[0018]第一MCU，被配置为接收输入的癫痫脑电信号特征，并传输至DDR存储器；接收DDR存储器输出的脑电信号分类结果，并进行输出；
[0019]DDR存储器，被配置为存储接收输入的癫痫脑电信号特征、输出的分类结果核训练好的模型参数；
[0020]第二MCU，被配置为执行DMA驱动程序，控制调度DDR存储器中存储的接收输入的癫痫脑电信号特征和/或训练好的模型参数传输至FPGA的片上BRAM；并控制输出分类结果存储于DDR存储器。
[0021]根据本公开的一个或多个实施例的一个方面，提供一种基于FPGA的癫痫脑电信号分类方法。
[0022]一种基于FPGA的癫痫脑电信号分类方法，该方法基于一种用于癫痫脑电信号分类的FPGA，包括：
[0023]接收多导联同步采集的癫痫脑电信号，将各导联的一维信号根据相应的相关性预处理组成多路二维矩阵构成的张量；
[0024]将癫痫脑电信号预处理后的张量依次通过第一MCU、DDR存储器和第二MCU传输并存储于多个BRAM中，作为训练好的RNN网络结构模型的输入；
[0025]将浮点型数据转换为预设位数的定点数量化训练好的RNN网络结构模型，每个时
钟周期提取根据预设折叠因子确定数量的操作数，并利用可配置数据流的方式将数据参数输送至对应网络图层中进行并行运算，实现癫痫脑电信号分类，输出得到癫痫脑电信号分类结果。
[0026]进一步地，在该方法中，将各导联的一维信号进行预处理，依次通过滤波、滑动窗分段以及采用DWT获得每个时间窗的小波系数，实现数据降维，最后得到计算统计特征组成的特征向量，作为RNN网络的输入。
[0027]本公开的有益效果：
[0028]1、本公开所述的一种基于FPGA的癫痫脑电信号分类方法、实现方法及装置，提出了一种针对不同网络结构兼顾灵活性与可重新配置性系统的癫痫脑电信号分类实现方法，通过综合采本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于FPGA的癫痫脑电信号分类实现方法，其特征在于，该方法包括：在FPGA上构建适用于癫痫脑电信号分类的RNN网络结构模型硬逻辑，RNN网络结构模型依次包括输入层、Bi
‑
LSTM层、Dropout层、全连接层、Softmax层和分类输出层；建立RNN网络结构模型各层的IP核，采用同步数据流法将RNN网络结构模型中各层的IP核连接，并在相邻IP核之间插入AXI4
‑
Streaming寄存器片；接收癫痫脑电信号特征训练数据，训练RNN网络结构模型，调整RNN网络结构模型权重值直至得到分类准确率最高的模型，并将训练好的模型参数存储于DDR存储器，得到实现癫痫脑电信号分类的FPGA；在FPGA的MCU端采用DMA驱动程序，实现在癫痫脑电信号分类时从DDR存储器中将训练好的模型参数传输至FPGA片上BRAM，利用RNN网络结构模型进行癫痫脑电信号分类。2.根据权利要求1所述的一种基于FPGA的癫痫脑电信号分类实现方法，其特征在于，所述RNN网络结构模型中输入层的输入数据为由时频特征组成的特征向量，每个输入向量包括导联维度和特征维度，导联维度为23，特征维度为10，为防止网络的过拟合，在Bi
‑
LSTM层之后增加Dropout层，增强网络的泛化能力，全连接层的每个神经节点均与上一层的每个神经节点连接，将输入的特征空间线性映射到另一个特征空间，Softmax层将输出转换为各类别的概率数值，最后的分类输出层保存用于训练网络的丢失函数的名称、输出大小和类标签。3.根据权利要求1所述的一种基于FPGA的癫痫脑电信号分类实现方法，其特征在于，所述RNN网络结构模型中各层的IP核是模块化和可参数化的模块，使用C语言在Vivado_hls中实现RNN网络结构模型各层的算法，将各个层的算法程序综合输出成RTL级别的IP核。4.根据权利要求1所述的一种基于FPGA的癫痫脑电信号分类实现方法，其特征在于，设置加载权重标志，利用RNN网络结构模型进行癫痫脑电信号分类时重新加载任意层的权重值。5.一种用于癫痫脑电信号分类的FPGA，该FPGA基于如权利要...

【专利技术属性】
技术研发人员：仲伟峰，徐文浩，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：