【技术实现步骤摘要】
本专利技术涉及心电信号分类，特别涉及一种基于zynq及卷积神经网络的心电信号分类系统、方法。
技术介绍
1、对于心电信号的分类越来越被人们所关注。心电信号的分类能应用到很多的场景当中，但是传统的分类方法还是依靠有经验的人，对心电图进行人工分析。这样的分类方法会导致分类效率降低，进而影响资源的合理分配。
技术实现思路
1、本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种基于zynq及卷积神经网络的心电信号分类系统、方法，能够提高对心电信号的分类效率。
2、第一方面，本专利技术实施例提供了一种基于zynq及卷积神经网络的心电信号分类系统，包括：
3、上位机；
4、基于zynq及卷积神经网络的心电信号分类装置，所述基于zynq及卷积神经网络的心电信号分类装置包括zynq系统和数据存储模块，所述zynq系统通过所述数据存储模块与所述上位机相连接；
5、所述zynq系统包括处理端和可编程逻辑端，所述可编程逻辑端与所述处理端通过ddr存储器和axi总线相连接，所述可编程逻辑端用于控制fpga卷积神经网络特征提取模块，所述处理端用于控制心电信号预处理模块和softmax输出模块；
6、其中，所述上位机用于获取样本心电信号，并对所述样本心电信号进行划分得到训练集和测试集，将所述训练集输入到预设的fpga卷积神经网络特征提取模型，得到训练后的所述fpga卷积神经网络特征提取模型，将测试集输入到训练后的所述fpga
7、所述上位机用于从完成训练的所述fpga卷积神经网络特征提取模型中提取每层的权重参数，并获取待识别心电信号，所述上位机将所述权重参数和所述待识别心电信号发送给预处理模块；
8、所述预处理模块用于从所述上位机中得到所述待识别心电信号和所述权重参数，所述预处理模块对待识别心电信号依次进行心电去噪、心拍分割和格拉姆矩阵图像二维化，得到预处理心电信号，并把所述权重参数和所述预处理心电信号分别发送给fpga卷积神经网络特征提取模块；
9、所述fpga卷积神经网络特征提取模块用于获取所述权重参数，并根据所述权重参数对所述fpga卷积神经网络特征提取模型进行配置，通过配置后的所述fpga卷积神经网络特征提取模型对所述预处理心电信号进行特征提取，得到预测结果，所述fpga卷积神经网络特征提取模块将所述预测结果发送给所述softmax输出模块；
10、所述softmax输出模块用于对所述预测结果进行分类，得到目标心电信号分类结果。
11、第二方面，本专利技术实施例提供了一种基于zynq及卷积神经网络的心电信号分类方法，应用于基于zynq及卷积神经网络的心电信号分类系统，所述方法包括：
12、上位机获取样本心电信号，并对所述样本心电信号进行划分得到训练集和测试集，将所述训练集输入到预设的fpga卷积神经网络特征提取模型，得到训练后的所述fpga卷积神经网络特征提取模型，将测试集输入到训练后的所述fpga卷积神经网络特征提取模型进行测试，得到完成训练的所述fpga卷积神经网络特征提取模型；
13、所述上位机从完成训练的所述fpga卷积神经网络特征提取模型中提取每层的权重参数，并获取待识别心电信号，所述上位机将所述权重参数和所述待识别心电信号发送给预处理模块；
14、所述预处理模块从所述上位机中得到所述待识别心电信号和所述权重参数，所述预处理模块对待识别心电信号依次进行心电去噪、心拍分割和格拉姆矩阵图像二维化，得到预处理心电信号，并把所述权重参数和所述预处理心电信号分别发送给fpga卷积神经网络特征提取模块；
15、所述fpga卷积神经网络特征提取模块获取所述权重参数，并根据所述权重参数对所述fpga卷积神经网络特征提取模型进行配置，通过配置后的所述fpga卷积神经网络特征提取模型对所述预处理心电信号进行特征提取，得到预测结果，所述fpga卷积神经网络特征提取模块将所述预测结果发送给所述softmax输出模块；
16、softmax输出模块对所述预测结果进行分类，得到目标心电信号分类结果。
17、在本专利技术的一些实施例中，所述方法还包括：
18、上位机将所述权重参数和所述待识别心电信号分别存储到数据存储模块；
19、所述数据存储模块将所述权重参数和所述待识别心电信号发送给所述处理端中的所述预处理模块；
20、所述处理端中的所述预处理模块通过axi总线将所述预处理心电信号和所述权重参数发送给所述可编程逻辑端中的所述fpga卷积神经网络特征提取模块；
21、所述可编程逻辑端中的所述fpga卷积神经网络特征提取模块通过axi总线将所述预测结果发送给所述处理端。
22、在本专利技术的一些实施例中，所述所述预处理模块从所述上位机中得到所述待识别心电信号和所述权重参数，所述预处理模块对待识别心电信号依次进行心电去噪、心拍分割和格拉姆矩阵图像二维化，得到预处理心电信号，并把所述权重参数和所述预处理心电信号分别发送给fpga卷积神经网络特征提取模块，包括：
23、通过均值滤波去除所述待识别心电信号的基线漂移得到去噪心电信号；
24、通过差分阈值法和分段聚合近似算法对所述去噪心电信号进行心拍分割得到归一化矩阵；
25、对所述归一化矩阵进行格拉姆角场矩阵二维化得到预处理心电信号，所述预处理心电信号为目标格拉姆角场矩阵。
26、在本专利技术的一些实施例中，所述通过均值滤波去除所述待识别心电信号的基线漂移得到去噪心电信号，包括：
27、基于db4小波基对所述待识别心电信号进行三层分解；
28、将三层分解后的第一层的细节系数和第二层的细节系数修改为0；
29、对细节系数置0后的所述待识别心电信号进行小波重构得到去噪心电信号。
30、在本专利技术的一些实施例中，所述通过差分阈值法对所述去噪心电信号进行心拍分割得到分割心电信号，包括：
31、基于r波波峰沿时间轴将所述去噪心电信号沿着时间轴向前取n个点，向后取m个点，得到单周期心拍；
32、通过分段聚合近似算法对所述单周期心拍进行降维，对降维后的所述单周期心拍进行归一化，得到归一化矩阵。
33、在本专利技术的一些实施例中，所述对所述归一化矩阵进行格拉姆角场矩阵二维化得到预处理心电信号，包括：
34、根据预设的时间序列与极坐标系的映射关系，将所述归一化矩阵在时间序列中的时间转换为极坐标系中的半径，将所述归一化矩阵在时间序列中的幅度转换为极坐标系中的角度；
35、计算极坐标系中每个点的三角函数值，并计算时间序列中每个点的相关性，根据所述三角函数值和所述相关性生成所述归一化矩阵的所述目标格拉姆角场矩阵，所述归一化矩阵的所述目标格拉姆角场矩阵为所述预处本文档来自技高网...
【技术保护点】
1.一种基于ZYNQ及卷积神经网络的心电信号分类系统，其特征在于，包括：
2.一种基于ZYNQ及卷积神经网络的心电信号分类方法，其特征在于，应用于如权利要求1所述的基于ZYNQ及卷积神经网络的心电信号分类系统，所述方法包括：
3.根据权利要求2所述的基于ZYNQ及卷积神经网络的心电信号分类方法，其特征在于，所述方法还包括：
4.根据权利要求2所述的基于ZYNQ及卷积神经网络的心电信号分类方法，其特征在于，所述所述预处理模块从所述上位机中得到所述待识别心电信号和所述权重参数，所述预处理模块对待识别心电信号依次进行心电去噪、心拍分割和格拉姆矩阵图像二维化，得到预处理心电信号，并把所述权重参数和所述预处理心电信号分别发送给FPGA卷积神经网络特征提取模块，包括：
5.根据权利要求4所述的基于ZYNQ及卷积神经网络的心电信号分类方法，其特征在于，所述通过均值滤波去除所述待识别心电信号的基线漂移得到去噪心电信号，包括：
6.根据权利要求4所述的基于ZYNQ及卷积神经网络的心电信号分类方法，其特征在于，所述通过差分阈值法对所述去噪心
7.根据权利要求4所述的基于ZYNQ及卷积神经网络的心电信号分类方法，其特征在于，所述对所述归一化矩阵进行格拉姆角场矩阵二维化得到预处理心电信号，包括：
8.根据权利要求2所述的基于ZYNQ及卷积神经网络的心电信号分类方法，其特征在于，所述FPGA卷积神经网络特征提取模型包括输入层、卷积层和激活层；所述FPGA卷积神经网络特征提取模块获取所述权重参数，并根据所述权重参数对所述FPGA卷积神经网络特征提取模型进行配置，通过配置后的所述FPGA卷积神经网络特征提取模型对所述预处理心电信号进行特征提取，得到预测结果，所述FPGA卷积神经网络特征提取模块将所述预测结果发送给所述Softmax输出模块，包括：
9.一种电子设备，其特征在于，包括权利要求1所述的基于ZYNQ及卷积神经网络的心电信号分类系统。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求2至8任一项所述的基于ZYNQ及卷积神经网络的心电信号分类方法。
...【技术特征摘要】
1.一种基于zynq及卷积神经网络的心电信号分类系统，其特征在于，包括：
2.一种基于zynq及卷积神经网络的心电信号分类方法，其特征在于，应用于如权利要求1所述的基于zynq及卷积神经网络的心电信号分类系统，所述方法包括：
3.根据权利要求2所述的基于zynq及卷积神经网络的心电信号分类方法，其特征在于，所述方法还包括：
4.根据权利要求2所述的基于zynq及卷积神经网络的心电信号分类方法，其特征在于，所述所述预处理模块从所述上位机中得到所述待识别心电信号和所述权重参数，所述预处理模块对待识别心电信号依次进行心电去噪、心拍分割和格拉姆矩阵图像二维化，得到预处理心电信号，并把所述权重参数和所述预处理心电信号分别发送给fpga卷积神经网络特征提取模块，包括：
5.根据权利要求4所述的基于zynq及卷积神经网络的心电信号分类方法，其特征在于，所述通过均值滤波去除所述待识别心电信号的基线漂移得到去噪心电信号，包括：
6.根据权利要求4所述的基于zynq及卷积神经网络的心电信号分类方法，其特征在于，所述通过差分阈值法对所述去噪心电...
【专利技术属性】
技术研发人员：司玉娟，杨文科，陈鑫，张展源，冯建超，刘立勋，郎六琪，
申请(专利权)人：吉林大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。