CN112244853A - 边缘计算节点的制造方法和边缘计算节点 - Google Patents

边缘计算节点的制造方法和边缘计算节点 Download PDF

Info

Publication number
CN112244853A
CN112244853A CN202011158895.3A CN202011158895A CN112244853A CN 112244853 A CN112244853 A CN 112244853A CN 202011158895 A CN202011158895 A CN 202011158895A CN 112244853 A CN112244853 A CN 112244853A
Authority
CN
China
Prior art keywords
neural network
network model
training
data
real
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011158895.3A
Other languages
English (en)
Other versions
CN112244853B (zh
Inventor
王景峰
黄凯
陈样新
张玉玲
郭思璐
宋日辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sun Yat Sen Memorial Hospital Sun Yat Sen University
Bioisland Laboratory
Original Assignee
Sun Yat Sen Memorial Hospital Sun Yat Sen University
Bioisland Laboratory
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sun Yat Sen Memorial Hospital Sun Yat Sen University, Bioisland Laboratory filed Critical Sun Yat Sen Memorial Hospital Sun Yat Sen University
Priority to CN202011158895.3A priority Critical patent/CN112244853B/zh
Priority to PCT/CN2020/137997 priority patent/WO2022088443A1/zh
Publication of CN112244853A publication Critical patent/CN112244853A/zh
Application granted granted Critical
Publication of CN112244853B publication Critical patent/CN112244853B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • General Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Power Engineering (AREA)
  • Neurology (AREA)
  • Fuzzy Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本公开实施例公开了一种边缘计算节点及其制造方法，该方法包括构造基于实数型神经网络模型，所述实数型神经网络模型的隐藏层的权值和激活值为实数型数据；使用训练数据训练并压缩所述实数型神经网络模型，得到二值神经网络模型，其中，所述训练数据包括心电信号，所述二值神经网络模型的隐藏层的权值和激活值为二值数据，用于基于心电信号输出健康状态信息；基于所述二值神经网络模型定制可编程逻辑门阵列；将多个所述可编程逻辑门阵列和调度器部署在印制电路板上，形成边缘计算节点，所述调度器被配置为接收心电信号，调度所述多个可编程逻辑门阵列以确定健康状态信息，从而能够减少边缘计算节点的体积，降低功耗，适用于可穿戴设备。

Description

边缘计算节点的制造方法和边缘计算节点
技术领域
本公开涉及可穿戴设备技术领域，具体涉及一种边缘计算节点的制造方法和边缘计算节点。
背景技术
心血管疾病由于其隐蔽性和突发性等特点，严重威胁着人类的健康，因此早期诊断和预防是非常重要的。本发明人发现，目前用于心电信号处理的传统算法的准确率不是很高，必须依靠大量的手动特征提取，具有很强的主观性，获得的特征也没有层次可言，需要由相关领域的专家来进行人工鉴别，对相关专业知识要求较高。基于深度学习的健康状态识别模型拥有更多网络层数来进行特征的分类，能够提高准确率。然而，随着芯片设计规模的与日俱增，其功能日趋复杂，功能、架构、设计思路都存在较大差异，现有的单一商用半导体平台在算力和功耗上往往难以平衡。一方面，随着功能和能力的演进，相关算法变得越来越复杂，因此完成特定任务所需的计算量也越来越大，从而运行时所产生的功耗也随之增大。另一方面，由于对可穿戴设备的便携性要求，很难部署复杂的智能算法。在载荷和能耗有限的环境中，也很难放置体积大，质量大，高能耗的高性能图形处理器(GPU)板卡来处理复杂的应用。因此，往往由于载荷、功耗、体积的限制，大大约束了可穿戴设备的处理能力。
发明内容
为了解决相关技术中的问题，本公开实施例提供一种边缘计算节点的制造方法和边缘计算节点。
第一方面，本公开实施例中提供了一种边缘计算节点的制造方法。
具体地，所述边缘计算节点的制造方法包括：
构造基于实数型神经网络模型，所述实数型神经网络模型的隐藏层的权值和激活值为实数型数据；
使用训练数据训练并压缩所述实数型神经网络模型，得到二值神经网络模型，其中，所述训练数据包括心电信号，所述二值神经网络模型的隐藏层的权值和激活值为二值数据，用于基于心电信号输出健康状态信息；
基于所述二值神经网络模型定制可编程逻辑门阵列；
将多个所述可编程逻辑门阵列和调度器部署在印制电路板上，形成边缘计算节点，所述调度器被配置为接收心电信号，调度所述多个可编程逻辑门阵列以确定健康状态信息。
根据本公开实施例，所述使用训练数据训练并压缩所述实数型神经网络模型，得到二值神经网络模型包括：
获取训练数据；
通过所述训练数据训练所述实数型神经网络模型，以更新实数型神经网络模型的实数型权值；
对所述实数型神经网络模型进行剪枝，并将所述实数型权值二值化，得到二值神经网络模型；
通过所述训练数据训练所述二值神经网络模型直至收敛。
根据本公开实施例，所述使用训练数据训练并压缩所述实数型神经网络模型，得到二值神经网络模型包括：
获取训练数据；
交替执行训练操作和压缩操作，直至满足收敛条件，得到二值神经网络模型，其中，在所述训练操作中，通过所述训练数据更新模型中的权值；在所述压缩操作中，通过剪枝和/或二值化压缩模型的大小。
根据本公开实施例，所述通过剪枝压缩模型的大小包括：
确定模型中的各连接关系对预测结果的贡献值；
根据所述贡献值删除模型中的部分连接关系，以压缩模型的大小。
根据本公开实施例，所述获取训练数据包括：
获取不同健康状态的人的心电信号；
对所述心电信号进行预处理得到训练样本，所述预处理包括噪声处理、基线漂移处理、心拍分割、特征预提取和数据重采样中的至少一种；
对所述训练样本标注得到样本标签，所述样本标签表示所述心电信号对应的不同健康状态，将所述训练样本和样本标签确定为训练数据。
根据本公开实施例，所述训练数据还包括生物阻抗数据以及基于所述生物阻抗数据确定的预提取特征。
根据本公开实施例，所述基于所述生物阻抗数据确定的预提取特征包括心电信号、生物阻抗信号、左室排血功能指标、心机收缩功能指标、前负荷指标以及后负荷指标，其中：
所述左室排血功能指标包括每搏输出量、每搏指数、心输出量、心脏指数中的至少一种；
所述心肌收缩指标包括心收缩力指数、左心做功指数、左心收缩时间、射血分数中的至少一种；
所述前负荷指标包括中心静脉压和/或左室舒张末期容积；
所述后负荷指标包括外周血管阻力和/或外周血管阻力指数。
根据本公开实施例，所述二值神经网络的权值为-1或1。
根据本公开实施例，所述调度器包括中央处理器，所述印制电路板上还设置有通用图形处理器和/或基于所述可编程逻辑门阵列定制集成芯片。
第二方面，本公开实施例中提供了一种通过上述任一种方法制造的边缘计算节点。
根据本公开实施例提供的技术方案，通过构造基于实数型神经网络模型，所述实数型神经网络模型的隐藏层的权值和激活值为实数型数据；使用训练数据训练并压缩所述实数型神经网络模型，得到二值神经网络模型，其中，所述训练数据包括心电信号，所述二值神经网络模型的隐藏层的权值和激活值为二值数据，用于基于心电信号输出健康状态信息；基于所述二值神经网络模型定制可编程逻辑门阵列；将多个所述可编程逻辑门阵列和调度器部署在印制电路板上，形成边缘计算节点，所述调度器被配置为接收心电信号，调度所述多个可编程逻辑门阵列以确定健康状态信息，从而能够减少边缘计算节点的体积，降低功耗，适用于可穿戴设备。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
结合附图，通过以下非限制性实施方式的详细描述，本公开的其它特征、目的和优点将变得更加明显。在附图中：
图1示出根据本公开实施例的边缘计算节点的制造方法的流程图；
图2示出根据本公开实施例的边缘计算节点的框图。
具体实施方式
下文中，将参考附图详细描述本公开的示例性实施例，以使本领域技术人员可容易地实现它们。此外，为了清楚起见，在附图中省略了与描述示例性实施例无关的部分。
在本公开中，应理解，诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在，并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
另外还需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
目前，中国乃至全球老龄化平均年龄增高、人数逐年增加，对老龄人口生理数据检测受到越来越多人的重视，同时产生的监护生理数据以指数的增长速度持续增长。
近年来，心血管疾病已成为我国居民死亡的首要原因。其中心肌梗死、心律失常、心脏性猝死等心血管疾病发病突然、变化快、病情重、隐蔽性高，严重威胁着人类的健康。而临床上常见的普通心电图、24小时心电图很难捕捉到患者这种类型异常的心电信号。
发明人通过市场调研发现，包括Holter和植入式心电监测仪等动态心电检测仪在内，大多数的动态心电检测仪仅能实现数据记录的功能，均无本机植入算法来达到心血管事件发生时的本机预警功能，均需要终端临床医学专家解读数据。有部分动态心电检测仪配置有实时蓝牙传输系统，数据可在智能手机端读取，并实现4G网络数据远程传输至后台以达到监控效果。但是，目前尚需要后台工作人员来24小时检测，需要耗费巨大的人力物力，并且在网络不稳定甚至不可用的情况下，被监测的人的心电信号可能发生丢失，从而可能错过重要的异常信号，导致预警作用失效。另一方面，该些动态心电检测仪功耗和体积较大，穿戴时一般在医生的指导下进行操作，且无法满足3-7天的医用连续检测需求。
目前用于心电信号处理的传统算法的准确率不是很高，必须依靠大量的手动特征提取，具有很强的主观性，获得的特征也没有层次可言，需要由相关领域的专家来进行人工鉴别，对相关专业知识要求较高。基于深度学习的健康状态识别模型拥有更多网络层数来进行特征的分类，能够提高准确率。然而，随着芯片设计规模的与日俱增，其功能日趋复杂，功能、架构、设计思路都存在较大差异，现有的单一商用半导体平台在算力和功耗上往往难以平衡。一方面，随着功能和能力的演进，相关算法变得越来越复杂，因此完成特定任务所需的计算量也越来越大，从而运行时所产生的功耗也随之增大。另一方面，由于对可穿戴设备的便携性要求，很难部署复杂的智能算法。在载荷和能耗有限的环境中，也很难放置体积大，质量大，高能耗的高性能图形处理器(GPU)板卡来处理复杂的应用。因此，往往由于载荷、功耗、体积的限制，大大约束了可穿戴设备的处理能力。
图1示出根据本公开实施例的边缘计算节点的制造方法的流程图。
如图1所示，该方法包括操作S110～S140。
在操作S110，构造基于实数型神经网络模型，所述实数型神经网络模型的隐藏层的权值和激活值为实数型数据；
在操作S120，使用训练数据训练并压缩所述实数型神经网络模型，得到二值神经网络模型，其中，所述训练数据包括心电信号，所述二值神经网络模型的隐藏层的权值和激活值为二值数据，用于基于心电信号输出健康状态信息；
在操作S130，基于所述二值神经网络模型定制可编程逻辑门阵列；
在操作S140，将多个所述可编程逻辑门阵列和调度器部署在印制电路板上，形成边缘计算节点，所述调度器被配置为接收心电信号，调度所述多个可编程逻辑门阵列以确定健康状态信息。
根据本公开实施例提供的技术方案，通过构造基于实数型神经网络模型，所述实数型神经网络模型的隐藏层的权值和激活值为实数型数据；使用训练数据训练并压缩所述实数型神经网络模型，得到二值神经网络模型，其中，所述训练数据包括心电信号，所述二值神经网络模型的隐藏层的权值和激活值为二值数据，用于基于心电信号输出健康状态信息；基于所述二值神经网络模型定制可编程逻辑门阵列；将多个所述可编程逻辑门阵列和调度器部署在印制电路板上，形成边缘计算节点，所述调度器被配置为接收心电信号，调度所述多个可编程逻辑门阵列以确定健康状态信息，从而能够减少边缘计算节点的体积，降低功耗，适用于可穿戴设备，从而可以实现可穿戴设备采集数据的本地处理，无需网络传输数据，能够及时捕捉到异常信息。
根据本公开实施例，可以首先在具有较高运算能力的平台上训练一个实数型神经网络，该实数型神经网络例如可以包括一个输入层，四个隐藏层和一个输出层，通过压缩该神经网络得到小型的二值神经网络模型，再基于压缩后的二值神经网络模型设计FPGA。
根据本公开实施例，在操作S120，使用训练数据训练并压缩所述实数型神经网络模型，得到二值神经网络模型包括：
获取训练数据；
通过所述训练数据训练所述实数型神经网络模型，以更新实数型神经网络模型的实数型权值；
对所述实数型神经网络模型进行剪枝，并将所述实数型权值二值化，得到二值神经网络模型；
通过所述训练数据训练所述二值神经网络模型直至收敛。
根据本公开实施例，所述获取训练数据包括：
获取不同健康状态的人的心电信号；
对所述心电信号进行预处理得到训练样本，所述预处理包括噪声处理、基线漂移处理、心拍分割、特征预提取和数据重采样中的至少一种；
对所述训练样本标注得到样本标签，所述样本标签表示所述心电信号对应的不同健康状态，将所述训练样本和样本标签确定为训练数据。
根据本公开实施例，原始心电信号直接输入到健康状态识别模型难以取得较好的识别效果。可以对心电信号进行预处理，例如通过噪声处理和基线漂移处理使多模态生理信号中的信息得到更加有效地表达；通过心拍分割，使输入数据以心拍为单位，简化模型的处理难度，易于训练；通过特征预提取，可以利用已有的经验，提高模型预测的准确度；通过数据重采样，可以减小输入数据的大小，降低计算量，提高处理效率。
根据本公开实施例，可以先对心电信号(包括心脏异常患者和正常人的心电信号)进行去噪处理，如可以通过带阻滤波器去除信号中的工频干扰噪声、通过低通滤波器消除肌电干扰噪声、通过IIR零相移数字滤波器纠正基线漂移等，本发明实施例对去除噪声的方式不加以限制。
根据本公开实施例，在去噪处理后，可以对其分割心拍得到每个心电信号的多个心拍信号，对心拍信号进行数据重采样获得的采样数据作为训练样本，心拍信号所属的心电信号属于心电异常患者还是正常人作为训练样本的样本标签，训练样本和样本标签即构成训练数据。
根据本公开实施例，还可以对心拍信号进行特征预提取，例如P波长度，PQ间长度，QRS波长度等，将预提取的特征作为训练样本的一部分，可以提高训练效果。
根据本公开实施例，所述训练数据还包括生物阻抗数据以及基于所述生物阻抗数据确定的预提取特征。
根据本公开实施例，还可以获取身高体重信息、心率、射血前期、心室射血时间、平均动脉压、左心收缩时间、心收缩力指数、中心静脉压、肺动脉阻塞压等数据，并基于以上数据中的部分或全部对生物阻抗数据进行特征预提取，与心电信号和生物阻抗信号共同输入到模型中。例如可以包括以下一种或多种。
(1)基于身高体重信息确定用户的体表面积BSA，例如可以通过下式确定，BSA＝0.024265×身高0.3964×体重0.5378。
(2)基于所述生物阻抗信号Z确定每搏输出量SV和/或每搏指数SVI，例如，可以在生物阻抗的一阶导数dZ/dT上确定TFIT，该TFIT为心动周期开始后的第一个过零点位置与心室射血速率峰值(dZ/dTmax)之后的第一个极小值位置之间的间隔，然后通过如下公式计算SVI和SV：
SVI＝k×((dZ/dTmax)/(Zmax-Zmin))×W(TFITcal)(在校准阶段)
SV＝SVI×((dZ/dTmax)/(dZ/dTmax)cal×TFITcal/TFIT)1/3×BSA(在校准之后)
其中，k是常数，下标cal表示在校准阶段测量的参数，W(TFITcal)是用于平衡TFITcal、心率HR、(收缩期动脉压SAP-舒张期动脉压DAP)三者关系的权重。
(3)基于所述射血前期PEP和心室射血时间VET确定射血分数EF，例如可以通过下式确定射血分数，EF＝0.84-(0.64×PEP)/VET。
(4)基于所述每搏输出量SV和射血分数EF确定左室舒张末期容积EDV，EDV＝SV/EF。
(5)基于所述每搏输出量SV和心率HR确定心输出量CO，CO＝SV×HR/1000。
(6)基于所述心输出量CO和体表面积BSA确定心脏指数CI，CI＝CO/BSA。
(7)基于所述心脏指数CI、平均动脉压MAP和肺动脉阻塞压PAOP确定左心做功指数LCWi，例如可以通过下式确定，LCWi＝0.0144×CI×(MAP-PAOP)。
(8)基于所述心输出量CO、平均动脉压MAP和中心静脉压CVP确定外周血管阻力SVR，SVR＝80×(MAP-CVP)/CO。
(9)基于所述心脏指数CI、平均动脉压MAP和中心静脉压CVP确定外周血管阻力指数SVRi，SVR＝80×(MAP-CVP)/CI。
根据本公开实施例，所述基于所述生物阻抗数据确定的预提取特征可以包括心电信号、生物阻抗信号、左室排血功能指标、心机收缩功能指标、前负荷指标以及后负荷指标，其中，所述左室排血功能指标包括每搏输出量SV、每搏指数SVI、心输出量CO、心脏指数CI中的至少一种；所述心肌收缩指标包括心收缩力指数CTI、左心做功指数LCWi、左心收缩时间LVET、射血分数EF中的至少一种；所述前负荷指标包括中心静脉压CVP和/或左室舒张末期容积EDV；所述后负荷指标包括外周血管阻力SVR和/或外周血管阻力指数SVRi。通过上述指标的引入，可以有效提高神经网络模型的预测准确率。
根据本公开实施例，在获取训练数据之后，可以通过所述训练数据训练所述实数型神经网络模型，以更新实数型神经网络模型的实数型权值，然后对所述实数型神经网络模型进行剪枝，并将所述实数型权值二值化，得到二值神经网络模型，并通过所述训练数据训练所述二值神经网络模型直至收敛。以上通过一次压缩得到二值神经网络模型并训练至收敛，或者，也可以分多个轮次进行压缩，每次压缩可以对部分节点进行剪枝和/或二值化，压缩后继续进行训练，然后进入下一轮压缩，直至模型大小和预测准确度都满足预定的收敛条件。
根据本公开实施例，在操作S120，使用训练数据训练并压缩所述实数型神经网络模型，得到二值神经网络模型包括：
获取训练数据；
交替执行训练操作和压缩操作，直至满足收敛条件，得到二值神经网络模型，其中，在所述训练操作中，通过所述训练数据更新模型中的权值；在所述压缩操作中，通过剪枝和/或二值化压缩模型的大小。
根据本公开实施例，所述通过剪枝压缩模型的大小包括：
确定模型中的各连接关系对预测结果的贡献值；
根据所述贡献值删除模型中的部分连接关系，以压缩模型的大小。
例如，可以根据各连接关系对预测结果的贡献值进行排序，将贡献值最低的一个或多个连接关系删除以实现剪枝的目的，或者，按照阈值进行分类，删除贡献值低于阈值的连接关系。
根据本公开实施例，在二值化的过程中，可以将实数型的权值转化为二值化数据，例如-1和1，由此，神经元之间的权值乘法计算可以简化为位运算，通过补码即可实现乘以-1的运算，极大地提高了模型计算的效率。
根据本公开实施例，在训练完成之后，可以执行操作S130和S140，基于所述二值神经网络模型定制可编程逻辑门阵列，并将多个所述可编程逻辑门阵列和调度器部署在印制电路板上，形成边缘计算节点，所述调度器被配置为接收心电信号，调度所述多个可编程逻辑门阵列以确定健康状态信息。
可编程逻辑门阵列FPGA作为特殊应用电路领域中的一种半定制电路而出现，既解决了全定制电路的不足，又克服了原有可编程逻辑器件门电路数有限的缺点，具有低功耗的特点。
根据本公开实施例，所述调度器例如可以是中央处理器，其仅用于执行任务调度而不参与任何运算，所有运算任务由FPGA或其他运算器执行，以降低系统功耗。
根据本公开实施例，所述印制电路板上还设置有通用图形处理器(GPGPU)和/或基于所述可编程逻辑门阵列定制的集成芯片，也可以作为运算器执行模型的运算任务。GPGPU由于现代图形处理组件强大的并行处理能力和可编程流水线，令流处理组件可以处理非图形数据。特别在面对单指令流多数据流(SIMD)，且数据处理的运算量远大于数据调度和传输的需要时，GPGPU在性能上大大超越了传统的中央处理器。此外，在上述FPGA的基础上，通过仿真技术验证件FPGA制成芯片的可行性，从而将FPGA制成体积更小的基于现场可编程逻辑门阵列的集成芯片，可以进一步降低处理器的尺寸、重量和功耗。
图2示出根据本公开实施例的边缘计算节点200的框图。
如图2所示，该边缘计算节点200可以包括调度器211和多个运算器221、222、223，其中，调度器211被配置为基于心电信号调度多个运算器以确定使用者的健康状态信息，所述运算器包括可编程逻辑门阵列FPGA，所述运算器内固化地设置有二值神经网络模型的任务运算单元，所述二值神经网络模型的隐藏层的权值和激活值为二值数据，用于基于心电信号确定健康状态信息。
通过将隐藏层的权值和激活值限制为二值数据，并将神经网络模型固化于如FPGA等运算器中，由调度器进行调度，可以极大地降低计算量，减少设备的复杂度和功耗，能够适应便携设备的需求。
根据本公开实施例，该边缘计算节点200可以实现为印制电路板(PCB)。该印制电路板例如可以包括固定部分210和可重新配置部分220。其中，固定部分210包括调度器211，用于根据调度策略将计算任务分配到运算器；可重新配置部分220包括多个运算器，例如运算器221、222、223，所述多个运算器中的部分或全部固化地设置有二值神经网络模型的任务运算单元。上述布局可以减少原始硬件电路的面积，减小边缘计算节点的体积。可重新配置部分220例如可以包含数百个并行内核，计算资源的空间冗余允许安全性和非安全性关键应用程序共存，从而提供适当的分区机制，能够用于实现高可靠性，可安全认证和重认证的多核计算处理系统。
根据本公开实施例，除调度器211外，固定部分210还可以包括运行时环境212、操作系统213、输入输出管理214等功能模块，以保障边缘计算节点实现必要的功能。例如，运行时环境RTE(Runtime Environment)是为了聚合不同的设备，构建了可安装的客户端驱动程序加载程序，并充当用户程序和实际实现之间的代理，这样，可以顺利调用不同供应商的OpenCL实现，而不会发生任何冲突。该些模块可以通过软件的方式实现，可以通过可编程硬件的方式来实现，也可以通过软硬结合的方式实现，本公开对此不做限定。
根据本公开实施例，由于该FPGA是基于特定神经网络定制的，其相对于通用计算节点而言具有更小的体积、更低的功耗和更高的效率。根据本公开实施例的边缘计算节点的综合指标可以达到如下水平：
表1
Figure BDA0002743644010000111
根据本公开实施例，处理组件的电源接口例如可以采用两个TPS54386双3A非同步转换器，以确保稳定且充足的双电源。
根据本公开实施例，该边缘计算节点200还可以包括供电管理单元，被配置为基于当前任务负载调整被供电的运算器的数量。例如，在当前任务负载不小于第一阈值时，可以启用全部的运算器；在当前任务负载小于第一阈值时，可以根据当前任务负载的情况确定启用预算器的数量。可以根据当前任务负载与第一阈值的比例确定启用运算器的数量，也可以划定区间，根据预定的对应关系确定启用运算器的数量。通过供电管理单元，本公开实施例的边缘计算节点可以有效地降低其功耗。
根据本公开实施例，该边缘计算节点200还可以包括预处理单元，被配置为执行数据预处理操作，预处理过程可以参照上文关于训练数据的预处理的描述，此处不再赘述。
根据本公开实施例所描述的供电管理单元或预处理单元可以通过软件的方式实现，也可以通过可编程硬件的方式来实现。电源管理单元或预处理单元例如可以设置在调度器中，这些单元或模块的名称并不构成对该单元或模块本身的限定。
根据本公开实施例提供的技术方案，该边缘计算节点对心电信号进行本地分析可以很好的解决网络不稳定的问题。使用者通过佩戴可穿戴设备检测心电信号，信号通过本机植入的算法在本机实时计算，从而可实现实时预警，可以帮助居民、患者、健康及卫生管理人员实现突发性心血管疾病预警、解决大量健康管理问题。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种边缘计算节点的制造方法，包括：
构造基于实数型神经网络模型，所述实数型神经网络模型的隐藏层的权值和激活值为实数型数据；
使用训练数据训练并压缩所述实数型神经网络模型，得到二值神经网络模型，其中，所述训练数据包括心电信号，所述二值神经网络模型的隐藏层的权值和激活值为二值数据，用于基于心电信号输出健康状态信息；
基于所述二值神经网络模型定制可编程逻辑门阵列；
将多个所述可编程逻辑门阵列和调度器部署在印制电路板上，形成边缘计算节点，所述调度器被配置为接收心电信号，调度所述多个可编程逻辑门阵列以确定健康状态信息。
2.根据权利要求1所述的方法，其中，所述使用训练数据训练并压缩所述实数型神经网络模型，得到二值神经网络模型包括：
获取训练数据；
通过所述训练数据训练所述实数型神经网络模型，以更新实数型神经网络模型的实数型权值；
对所述实数型神经网络模型进行剪枝，并将所述实数型权值二值化，得到二值神经网络模型；
通过所述训练数据训练所述二值神经网络模型直至收敛。
3.根据权利要求1所述的方法，其中，所述使用训练数据训练并压缩所述实数型神经网络模型，得到二值神经网络模型包括：
获取训练数据；
交替执行训练操作和压缩操作，直至满足收敛条件，得到二值神经网络模型，其中，在所述训练操作中，通过所述训练数据更新模型中的权值；在所述压缩操作中，通过剪枝和/或二值化压缩模型的大小。
4.根据权利要求3所述的方法，其中，所述通过剪枝压缩模型的大小包括：
确定模型中的各连接关系对预测结果的贡献值；
根据所述贡献值删除模型中的部分连接关系，以压缩模型的大小。
5.根据权利要求2或3所述的方法，其中，所述获取训练数据包括：
获取不同健康状态的人的心电信号；
对所述心电信号进行预处理得到训练样本，所述预处理包括噪声处理、基线漂移处理、心拍分割、特征预提取和数据重采样中的至少一种；
对所述训练样本标注得到样本标签，所述样本标签表示所述心电信号对应的不同健康状态，将所述训练样本和样本标签确定为训练数据。
6.根据权利要求1～4任一项所述的方法，其中，所述训练数据还包括生物阻抗数据以及基于所述生物阻抗数据确定的预提取特征。
7.根据权利要求6所述的方法，其中，所述基于所述生物阻抗数据确定的预提取特征包括心电信号、生物阻抗信号、左室排血功能指标、心机收缩功能指标、前负荷指标以及后负荷指标，其中：
所述左室排血功能指标包括每搏输出量、每搏指数、心输出量、心脏指数中的至少一种；
所述心肌收缩指标包括心收缩力指数、左心做功指数、左心收缩时间、射血分数中的至少一种；
所述前负荷指标包括中心静脉压和/或左室舒张末期容积；
所述后负荷指标包括外周血管阻力和/或外周血管阻力指数。
8.根据权利要求1～4任一项所述的设备，其特征在于，所述二值神经网络的权值为-1或1。
9.根据权利要求1～4任一项所述的方法，其中，所述调度器包括中央处理器，所述印制电路板上还设置有通用图形处理器和/或基于所述可编程逻辑门阵列定制集成芯片。
10.一种通过如权利要求1～9任一项所述的制造方法制造的边缘计算节点。
CN202011158895.3A 2020-10-26 2020-10-26 边缘计算节点的制造方法和边缘计算节点 Active CN112244853B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011158895.3A CN112244853B (zh) 2020-10-26 2020-10-26 边缘计算节点的制造方法和边缘计算节点
PCT/CN2020/137997 WO2022088443A1 (zh) 2020-10-26 2020-12-21 边缘计算节点的制造方法和边缘计算节点

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011158895.3A CN112244853B (zh) 2020-10-26 2020-10-26 边缘计算节点的制造方法和边缘计算节点

Publications (2)

Publication Number Publication Date
CN112244853A true CN112244853A (zh) 2021-01-22
CN112244853B CN112244853B (zh) 2022-05-13

Family

ID=74261608

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011158895.3A Active CN112244853B (zh) 2020-10-26 2020-10-26 边缘计算节点的制造方法和边缘计算节点

Country Status (2)

Country Link
CN (1) CN112244853B (zh)
WO (1) WO2022088443A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113288103A (zh) * 2021-04-01 2021-08-24 安徽通灵仿生科技有限公司 一种无创心排量监测系统与方法
WO2022088443A1 (zh) * 2020-10-26 2022-05-05 生物岛实验室 边缘计算节点的制造方法和边缘计算节点
CN117834630A (zh) * 2024-03-06 2024-04-05 中智关爱通(南京)信息科技有限公司 用于感知网络中边缘节点健康状态的方法、设备和介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1221325A (zh) * 1996-04-08 1999-06-30 流图私人有限公司 利用胸部生物阻抗和心电图的血液动力参数无损伤性监测
CN104545912A (zh) * 2015-01-31 2015-04-29 中山大学 一种心肺阻抗的测量方法及装置
CN110196734A (zh) * 2018-02-27 2019-09-03 上海寒武纪信息科技有限公司 一种计算装置及相关产品
CN110309919A (zh) * 2019-07-09 2019-10-08 西北工业大学 基于结构化贝叶斯后验概率估计的神经网络压缩方法
CN110379506A (zh) * 2019-06-14 2019-10-25 杭州电子科技大学 针对心电图数据使用二值化神经网络的心律不齐检测方法
CN110728361A (zh) * 2019-10-15 2020-01-24 四川虹微技术有限公司 一种基于强化学习的深度神经网络压缩方法
CN110837887A (zh) * 2019-11-12 2020-02-25 西安微电子技术研究所 一种深度卷积神经网络的压缩及加速方法、神经网络模型及其应用

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104757992A (zh) * 2015-03-16 2015-07-08 广东工业大学 一种基于深度置信网络的心音诊断系统及其诊断方法
US20180032689A1 (en) * 2016-07-29 2018-02-01 Qatar University Method and apparatus for performing feature classification on electrocardiogram data
CN110013245A (zh) * 2019-04-30 2019-07-16 中山大学孙逸仙纪念医院 一种可自动报警的穿戴设备心肺数据采集检测系统
CN111209248A (zh) * 2020-01-07 2020-05-29 广东珠江智联信息科技股份有限公司 边缘计算服务器及边缘计算方法
CN111184508B (zh) * 2020-01-19 2021-05-18 武汉大学 一种基于联合神经网络的心电信号检测装置及分析方法
CN112244853B (zh) * 2020-10-26 2022-05-13 生物岛实验室 边缘计算节点的制造方法和边缘计算节点

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1221325A (zh) * 1996-04-08 1999-06-30 流图私人有限公司 利用胸部生物阻抗和心电图的血液动力参数无损伤性监测
CN104545912A (zh) * 2015-01-31 2015-04-29 中山大学 一种心肺阻抗的测量方法及装置
CN110196734A (zh) * 2018-02-27 2019-09-03 上海寒武纪信息科技有限公司 一种计算装置及相关产品
CN110379506A (zh) * 2019-06-14 2019-10-25 杭州电子科技大学 针对心电图数据使用二值化神经网络的心律不齐检测方法
CN110309919A (zh) * 2019-07-09 2019-10-08 西北工业大学 基于结构化贝叶斯后验概率估计的神经网络压缩方法
CN110728361A (zh) * 2019-10-15 2020-01-24 四川虹微技术有限公司 一种基于强化学习的深度神经网络压缩方法
CN110837887A (zh) * 2019-11-12 2020-02-25 西安微电子技术研究所 一种深度卷积神经网络的压缩及加速方法、神经网络模型及其应用

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
NAFIUL RASHID AND MOHAMMAD ABDULLAH AL FARUQUE: "Energy-efficient Real-time Myocardial Infarction Detection on Wearable Devices", 《2020 42ND ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE & BIOLOGY SOCIETY (EMBC)》 *
SONG HAN等: "DEEP COMPRESSION: COMPRESSING DEEP NEURAL NETWORKS WITH PRUNING, TRAINED QUANTIZATION AND HUFFMAN CODING", 《CONFERENCE ICLR 2016》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022088443A1 (zh) * 2020-10-26 2022-05-05 生物岛实验室 边缘计算节点的制造方法和边缘计算节点
CN113288103A (zh) * 2021-04-01 2021-08-24 安徽通灵仿生科技有限公司 一种无创心排量监测系统与方法
CN117834630A (zh) * 2024-03-06 2024-04-05 中智关爱通(南京)信息科技有限公司 用于感知网络中边缘节点健康状态的方法、设备和介质
CN117834630B (zh) * 2024-03-06 2024-05-03 中智关爱通(南京)信息科技有限公司 用于感知网络中边缘节点健康状态的方法、设备和介质

Also Published As

Publication number Publication date
WO2022088443A1 (zh) 2022-05-05
CN112244853B (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
CN112244853B (zh) 边缘计算节点的制造方法和边缘计算节点
US11647963B2 (en) System and method for predicting acute cardiopulmonary events and survivability of a patient
US11147463B2 (en) Method and apparatus for high accuracy photoplethysmogram based atrial fibrillation detection using wearable device
Pecchia et al. Remote health monitoring of heart failure with data mining via CART method on HRV features
CN112263262B (zh) 健康监测设备
CN110619322A (zh) 一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及系统
Venkataramanaiah et al. ECG signal processing and KNN classifier-based abnormality detection by VH-doctor for remote cardiac healthcare monitoring
Gao Diagnosing abnormal electrocardiogram (ECG) via deep learning
Ali et al. An efficient hybrid LSTM-ANN joint classification-regression model for PPG based blood pressure monitoring
US20220270751A1 (en) An event-driven spiking neutral network system for detection of physiological conditions
WO2013186634A2 (en) Predicting acute cardiopulmonary events and survivability of a patient
CN115054218A (zh) 一种血压测量方法及设备
Lennox et al. Robust classification of cardiac arrhythmia using a deep neural network
Almazroa et al. An internet of things (iot) homecare management system using cardiac arrhythmia classification
CN113057611B (zh) 用于输出信息的方法、装置、设备以及存储介质
Najafi et al. Approximate Computing in Critical Applications: ECG Arrhythmia Classification
CN112263261A (zh) 健康监测设备
Gundogan et al. Mapping Seismocardiogram Characteristics to Hemorrhage Status and Vascular Pressure: A Novel Approach for Triage Assessment.
Zabihi et al. BP-Net: Cuff-less, Calibration-free, and Non-invasive Blood Pressure Estimation via a Generic Deep Convolutional Architecture
Arjomand et al. TransfoRhythm: A Transformer Architecture Conductive to Blood Pressure Estimation via Solo PPG Signal Capturing
Soro et al. Deep Cardiovascular Clinical Decision Support and Control System
Sutar et al. A low-cost Diagnostic Support System for remote cardiac healthcare

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant