CN113420672B - 一种基于gpu对脑电信号处理过程进行并行加速的方法 - Google Patents

一种基于gpu对脑电信号处理过程进行并行加速的方法 Download PDF

Info

Publication number
CN113420672B
CN113420672B CN202110705009.2A CN202110705009A CN113420672B CN 113420672 B CN113420672 B CN 113420672B CN 202110705009 A CN202110705009 A CN 202110705009A CN 113420672 B CN113420672 B CN 113420672B
Authority
CN
China
Prior art keywords
electroencephalogram
gpu
data
calculation
thread
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.)
Active
Application number
CN202110705009.2A
Other languages
English (en)
Other versions
CN113420672A (zh
Inventor
洪波
王康
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN202110705009.2A priority Critical patent/CN113420672B/zh
Publication of CN113420672A publication Critical patent/CN113420672A/zh
Application granted granted Critical
Publication of CN113420672B publication Critical patent/CN113420672B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种基于GPU对脑电信号处理过程进行并行加速的方法。本发明基于GPU的流结构及多线程结构，针对脑电信号多通道的特点及脑电处理算法中计算成分独立不干扰的特点，采用GPU对脑电处理过程进行并行处理，加快了脑电信号的处理速度；能够快速获取相关结果，加快科研迭代过程，推动科研进展；并且能够减轻医生负担，提高数据利用效率，减少患者的等待时间，改善患者医疗体验的同时节约医疗资源；本发明将GPU加速的方法从图像处理领域迁移到同为矩阵运算的脑电领域，并且对不同脑电处理方法具有普适性；随着GPU算力成本的逐年下降，基于GPU对脑电信号进行并行加速的方法将愈加普及，本发明能够加快利用脑电进行脑相关研究的步伐。

Description

一种基于GPU对脑电信号处理过程进行并行加速的方法
技术领域
本发明涉及脑电处理技术，具体涉及一种基于GPU对脑电信号处理过程进行并行加速的方法。
背景技术
大脑是人类最重要的器官，提供了感知、认知、运动等功能，是我们认识和改造世界的基础，对大脑工作机制的深入认识是我们永恒的目标。大脑的工作主要依赖于神经元网络内的脉冲电位活动，这些电活动的综合表现可以通过头皮、颅内等多通道脑电技术来进行记录，包含了丰富的空间和精细的时序信息，能够为我们探索大脑的功能机理或病理机制提供信息，目前脑电信号仍是研究大脑活动的主要工具。
对脑电数据而言，为了对大脑更好地进行观察，会采用密集的电极位点分布以及更高的采样率，以求对大脑活动进行高空间高时间分辨率的记录。例如，对于部分病灶并不明确的癫痫患者，医院会对其进行一种颅内脑电技术——立体定向脑电图(Stereoelectroencephalography,SEEG)的监测，可能会同时记录数百电极位点的脑电活动。对于每个电极位点，每秒采集几千个样本点，数百电极位点一天的记录数据就可能达到上百G，为了抓取到典型发作，这个颅内脑电记录过程可能长达一个月。长时间多导联的脑电数据需要医生花费大量时间来进行诊断解读，而这同时也增加了患者等待诊断结果的时间，给医生和患者双方带来了负担。另一方面，长达数周的脑电数据已经无法凭借人力来完全解读，需要采用自动化的方法对脑电包含的信息进行提取，以进一步供医生或脑电使用者进行决策，减轻其负担。而即便是自动化的方法在处理大数据时也面临处理速度慢，计算耗时的问题，这就对脑电数据处理方法的速度提出了需求。
图形显示卡(Graphic Processing Units,GPU)也被称为显卡，一般用于计算机图形图像领域，负责二维三维画面的渲染，在游戏或视频处理领域被广泛使用。近年来随着人工智能领域深度学习算法的兴起，对浮点数计算等算力需求的提升，GPU也被广泛应用于人工神经网络的训练和数据推断。对GPU的需求反过来推动了技术的迭代更新，也使得基于GPU的算力成本在逐年降低。目前计算机领域主要采用中央处理器(Core ProcessingUnits,CPU)来对计算进行并行加速，但CPU一般只拥有几十个核心数可以进行并行计算，而GPU拥有几千个核心数，尽管单个GPU核心能力弱于CPU核，但胜在量大，GPU在矩阵数据的并行加速计算方面优势明显。除了在图形渲染和深度学习领域的深入使用，随着算力成本的下降，GPU将能够为越来越多的计算密集型领域带来显著提速。因此，针对脑电数据这样一种矩阵结构的数据，并且其相应的处理算法涉及大量的浮点数运算，显然可以通过引入GPU对脑电处理算法中的大量运算进行并行处理，显著提升脑电大数据的处理速度。
目前有研究开始考虑采用并行的工作模式加速脑电计算过程，如北京工业大学公开号为CN101339455A、发明名称为“基于有效时间序列和电极重组的脑电信号分类系统和方法”，采用了一种对独立计算进行并行处理以提高效率的策略。但其采用的CPU核数较少，并行加速效果有限。GPU一开始主要用于图形渲染的加速处理，近年来应用于深度学习领域也主要是用于模型训练、推断的加速。而GPU的本质是采用多核心对矩阵中的计算进行并行加速，除了图像领域之外，还有众多其他领域如脑电数据处理中同样包含大量的矩阵运算，GPU的加速能力还没有在这些领域中得到充分利用。
针对目前脑电信号处理领域中，高导联高采样率脑电信号数据量大、处理耗时的问题，发明开发一种基于GPU对脑电信号处理过程进行并行加速的方法具有重要价值。
发明内容
针对目前脑电数据导联多、时间长，数据量大导致处理时间长，数据无法得到充分利用的问题，基于GPU算力的提升及成本的下降，本发明提出了一种基于GPU对脑电信号处理过程进行并行加速的方法，利用GPU多核心并行运算的能力，提速脑电数据矩阵的滤波、包络提取等处理过程，加速脑电信号的处理和应用，实现缩短数据处理等待时间、提高数据利用率的目的。
本发明的基于GPU对脑电信号处理过程进行并行加速的方法，包括以下步骤：
1)对多通道的脑电信号进行初步预处理，提取出多个有效通道，对提取出的多个有效通道的脑电信号进行全局平均参考以去掉共变噪声，其中，脑电信号的各有效通道之间的后期计算相互独立，后期计算过程中有效通道间不存在互相依赖关系，对于多个有效通道的脑电信号能够采用通道间并行处理实现加速；
2)在GPU中存在流(stream)结构，不同流结构中的计算能够同时进行，而同一流中的计算按顺序执行；对应脑电信号的有效通道数分配相应数量的流结构，每个流结构内部负责相应通道的脑电信号数据的计算，能够通过多个流结构实现对脑电信号的并行加速处理；
3)在一个流结构内对单一有效通道的脑电信号的计算为任务W，找出任务W中重复多次、但又不存在依赖关系的子计算成分w；
4)在GPU的每个流结构内部，能够分配多个工作单元即线程(thread)，多个线程能够对子计算成分w互不干扰地同步进行；
5)每个流结构内的线程的组织形式分为栅格(Grid)和块(Block)两个层次，栅格内部包含NB个块，每个块内部包含NT个线程；则线程由<Ni，Nj>表示，Ni＝1,..,NB，Nj＝1,…,NT，这样每个线程的定位就由两个数字表示，分别是其所属块在栅格中的位置，以及线程在块中的位置；
6)设定计划分配方式fw，指示GPU从单个有效通道的脑电信号中分割出每个线程需要负责的部分数据并执行相应的计算，从而每个线程能够完成相应的子计算成分w；
7)将脑电数据位于内存中的本地数据复制到GPU内的显存中方便访问，在计划分配方式fw中设置如何将单通道脑电信号中的数据分割并分配给各个线程以及线程所需执行的计算，从而实现对单通道脑电信号的多线程并行计算；
8)采用多个线程对这些子计算任务互不干扰地同步进行；
9)最终对多线程的计算结果进行同步汇总后，从GPU显存中复制结果返回到本地内存中，完成计算的并行加速；
10)汇总多个流的计算结果，得到多个有效通道脑电信号的完整处理结果。
其中，在步骤1)中，通道的数量为60～150。
在步骤2)中，每个流结构中的计算按顺序执行，每个计算都采用步骤7)中类似的方法基于GPU对计算进行多线程并行加速。
在步骤5)中，构造<NB,NT>的线程层次结构，而为了数据和线程结构间映射的简洁，栅格和块的结构为1～3维结构；当栅格内部为2×2的二维结构时，采用NB＝(2,2)表示，块结构同理。NB和NT受硬件资源及任务需求限定，5≤NB≤20，5≤NT≤20。
在步骤6)中，在计划分配方式fw时，fw需要完成两部分工作，一是实现数据和线程结构间的映射，从而为每个参与计算的线程分配所需的数据，二是实现每个线程利用分配的数据所需完成的计算。设定计划分配方式fw包括数据分配部分和执行任务部分；对于数据分配部分计划分配方式fw提供一个公式，由线程坐标得到其指定数据的位置；对于执行任务部分，计划分配方式fw提供具体的操作，如加减乘除的运算步骤；每个线程按照计划分配方式fw分配的数据和应该执行的任务完成工作。
在步骤7)中，GPU的计算需要读取显存数据，因此需要把数据从内存中复制到显存中。在分配数据给各个线程进行计算时，需要根据线程在<NB,NT>中的定位从总体数据中分割分配自己所需。
在步骤10)中，由于每个流的计算速度可能稍有差异并不完全同步，为了获取准确的多通道脑电数据处理结果，最后多个流之间需要同步以保证结果数据完整。
基于GPU并行计算对癫痫间期异常活动检测进行加速处理，包括以下步骤：
a)对癫痫间期颅内的脑电信号进行初步预处理，提取有效通道，对多个有效通道的脑电信号进行全局平均参考以去掉共变噪声；
b)对应脑电信号的有效通道数在GPU中分配相应数量的流结构，每个流结构内部负责相应通道的脑电信号数据的计算，能够通过多个流结构实现对脑电信号的并行加速处理；
c)每个流结构内对单一有效通道脑电信号进行一系列的任务W，任务包括对相应通道数据减全局均值、进行降采样和滤波预处理操作，从而减掉直流成分、工频噪声以及降低计算量，其中降采样和滤波中涉及的快速傅立叶变换操作采用多线程的方式实现并行加速，即快速傅立叶变化中的大量独立蝶形计算单元为子计算成分w；
间期脑电中的异常活动主要分布在80～250Hz的高频范围内，提取该频段的希尔伯特(Hilbert)能量包络能够突出这些异常活动，希尔伯特变换公式如下：
Figure GDA0003228958730000041
其中，x(t)表示时变信号，在这里表示80～250Hz带通滤波后的单导脑电信号，*表示卷积操作，对希尔伯特变换后的信号计算幅值即可得到能量包络E，表征80～250Hz频段的能量变化；在每个流结构内，带通滤波及希尔伯特变换均依赖于快速傅立叶变换，因而在这一步中也能够重复采用GPU的多线程方式实现并行加速，基于快速傅里叶变换，进行多线程加速；基于加速处理得到的能量包络，进行过阈值检测和筛选从而实现间期异常活动的有效检测。
在步骤c)中，希尔伯特包络适用于窄带信号，因此在提取宽频信号的包络时，需要进行滤波器组的设置，分频带求取包络后累加得到总体包络。
本发明的优点：
本发明基于GPU的流结构及多线程结构，针对脑电信号多通道的特点及脑电处理算法中计算成分独立不干扰的特点，采用GPU对脑电处理过程进行并行处理，加快了脑电信号的处理速度。对于研究者而言，可以快速获取相关结果，加快科研迭代过程，推动科研进展。对于医生、患者而言，可以减轻医生负担，提高数据利用效率，减少患者的等待时间，改善患者医疗体验的同时节约医疗资源。本发明将GPU加速的方法从图像处理领域迁移到同为矩阵运算的脑电领域，并且对不同脑电处理方法具有普适性。本发明基于GPU进行并行加速，随着GPU算力成本的逐年下降，基于GPU对脑电信号进行并行加速的方法将愈加普及，本发明能够加快利用脑电进行脑相关研究的步伐。
附图说明
图1为本发明的基于GPU对脑电信号处理过程进行并行加速的方法的一个实施例的示意图；
图2为本发明的基于GPU对脑电信号处理过程进行并行加速的方法的一个实施例的采用通道间并行处理的示意图；
图3为采用本发明的基于GPU对脑电信号处理过程进行并行加速的方法进行快速傅立叶变换的一个实施例的示意图；
图4为多通道脑电数据在各个处理环节的耗时比较图；
图5为本发明的基于GPU对脑电信号处理过程进行并行加速的方法相比CPU对常见脑电信号处理方法显著加速的示意图，其中，(a)为CPU提取包络的示意图，(b)为GPU提取包络的示意图；
图6为本发明的基于GPU对脑电信号处理过程进行并行加速的方法与CPU脑电处理结果一致的示意图，其中，(a)为CPU检测结果的示意图，(b)为GPU检测结果的示意图。
具体实施方式
下面结合附图，通过具体实施例，进一步阐述本发明。
如图1所示，本实施例的基于GPU对脑电信号处理过程进行并行加速的方法，包括以下步骤：
1)对多通道的脑电信号进行初步预处理，提取出Nch个有效通道，分别为通道1～通道Nch，对提取出的Nch个有效通道的脑电信号进行全局平均参考以去掉共变噪声，其中，脑电信号的各有效通道之间的后期计算相互独立，后期计算过程中有效通道间不存在互相依赖关系，对于多个有效通道的脑电信号能够采用通道间并行处理实现加速；
2)在GPU中存在流(stream)结构，不同流结构中的计算能够同时进行，而同一流中的计算按顺序执行；对应脑电信号的有效通道数Nch分配相应数量的流结构，分别为流结构1～流结构Nch，每个流结构内部负责相应通道的脑电信号数据的计算，能够通过多个流结构实现对脑电信号的并行加速处理；为了数据和线程结构间映射的简洁，栅格和块的结构为1～3维结构；当栅格内部为2×2的二维结构时，采用NB＝(2,2)表示，块结构同理；
3)在一个流结构内对单一有效通道的脑电信号的计算为任务W，找出任务W中重复多次、但又不存在依赖关系的子计算成分w；
4)在GPU的每个流结构内部，能够分配多个工作单元即线程(thread)，多个线程能够对子计算成分w互不干扰地同步进行；
5)每个流结构内的线程的组织形式分为栅格(Grid)和块(Block)两个层次，栅格内部包含NB个块，每个块内部包含NT个线程；则线程由<Ni,Nj>表示，Ni＝1,..,NB，Nj＝1,…,NT，这样每个线程的定位就由两个数字表示，分别是其所属块在栅格中的位置，以及线程在块中的位置；
6)设定计划分配方式fw，指示GPU从单个有效通道的脑电信号中分割出每个线程需要负责的部分数据并执行相应的计算，从而每个线程能够完成相应的子计算成分w；
7)将脑电数据位于内存中的本地数据复制到GPU内的显存中方便访问，在计划分配方式fw中设置如何将单通道脑电信号中的数据分割并分配给各个线程以及线程所需执行的计算，从而实现对单通道脑电信号的多线程并行计算；
8)采用多个线程对这些子计算任务互不干扰地同步进行；
9)最终对多线程的计算结果进行同步汇总后，从GPU显存中复制结果返回到本地内存中，完成计算的并行加速；
10)汇总多个流的计算结果，得到多个有效通道脑电信号的完整处理结果。
基于GPU并行计算对癫痫间期异常活动检测进行加速处理，如图2所示，包括以下步骤：
a)对癫痫间期颅内的脑电信号进行初步预处理，提取有效通道，对Nch个有效通道的脑电信号进行全局平均参考以去掉共变噪声；
b)对应脑电信号的有效通道数在GPU中分配相应数量的流结构，每个流结构内部负责相应通道的脑电信号数据的计算，能够通过多个流结构实现对脑电信号的并行加速处理；
c)每个流结构内对单一有效通道脑电信号进行一系列的任务W，任务包括对相应通道数据减全局均值、进行降采样和滤波预处理操作，从而减掉直流成分、工频噪声以及降低计算量，其中降采样和滤波中涉及的快速傅立叶变换操作采用多线程的方式实现并行加速。如图3所示，采用快速傅立叶变换对时变信号x(t)＝[x0,x1,x2,x3]求其相应的频谱X(f)＝[X0,X1,X2,X3]，其中x0,x1,x2,x3表示信号的4个时域采样点，X0,X1,X2,X3表示信号经傅立叶变换后相应的4个频域采样点，这个过程存在4个独立的蝶形计算单元即子计算成分w，将其分配到多线程结构中4个对应编号的线程进行并行计算，从而能够快速得到单通道频谱X(f)；
间期脑电中的异常活动主要分布在80～250Hz的高频范围内，提取该频段的希尔伯特(Hilbert)能量包络能够突出这些异常活动，希尔伯特变换公式如下：
Figure GDA0003228958730000071
其中，x(t)表示时变信号，在这里表示80～250Hz带通滤波后的单导脑电信号，*表示卷积操作，对希尔伯特变换后的解析信号计算幅值即可得到能量包络E，表征80～250Hz频段的能量变化；在每个流结构内，带通滤波及希尔伯特变换均依赖于快速傅立叶变换，因而在这一步中也能够重复采用GPU的多线程方式实现并行加速，基于快速傅里叶变换，进行多线程加速；基于加速处理得到的能量包络，进行过阈值检测和筛选从而实现间期异常活动的有效检测。
如图4所示，在异常活动检测方法中，每200s多通道脑电数据在各个处理环节的耗时比较。在重采样、滤波和希尔伯特包络提取等环节，相比CPU如图5(a)所示，GPU的耗时大量减少如图5(b)所示，计算速度得到显著提升，平均加速20倍以上。
如图6(a)所示，对于癫痫间期异常活动检测的运算实例，在主要的能量包络提取环节，CPU与GPU对同一段数据提取的能量包络具有明显的一致性，结果可靠。
如图6(b)所示，在最终统计各电极通道的异常活动数量上，CPU和GPU的最终计算结果同样保持一致，结果可靠。
通过结合附图的具体说明，本发明在基于GPU并行加速脑电信号处理方面，证实了GPU的多线程同步计算方法确实能够应用于脑电信号处理的并行加速，并且从GPU相比CPU计算耗时显著减少以及GPU与CPU计算结果一致两方面进行了说明。
最后需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附的权利要求的精神和范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。

Claims (6)

1.一种基于GPU对脑电信号处理过程进行并行加速的方法，其特征在于，所述方法包括以下步骤：
1)对多通道的脑电信号进行初步预处理，提取出多个有效通道，对提取出的多个有效通道的脑电信号进行全局平均参考以去掉共变噪声，其中，脑电信号的各有效通道之间的后期计算相互独立，后期计算过程中有效通道间不存在互相依赖关系，对于多个有效通道的脑电信号能够采用通道间并行处理实现加速；
2)在GPU中存在流结构，不同流结构中的计算能够同时进行，而同一流中的计算按顺序执行；对应脑电信号的有效通道数分配相应数量的流结构，每个流结构内部负责相应通道的脑电信号数据的计算，能够通过多个流结构实现对脑电信号的并行加速处理；
3)在一个流结构内对单一有效通道的脑电信号的计算为任务W，找出任务W中重复多次、但又不存在依赖关系的子计算成分w；
4)在GPU的每个流结构内部，能够分配多个工作单元即线程，多个线程能够对子计算成分w互不干扰地同步进行；
5)每个流结构内的线程的组织形式分为栅格和块两个层次，栅格内部包含NB个块，每个块内部包含NT个线程；则线程由<Ni,Nj>表示，Ni＝1,..,NB，Nj＝1,…,NT，这样每个线程的定位就由两个数字表示，分别是其所属块在栅格中的位置，以及线程在块中的位置；
6)设定计划分配方式fw，指示GPU从单个有效通道的脑电信号中分割出每个线程需要负责的部分数据并执行相应的计算，从而每个线程能够完成相应的子计算成分w；
7)将脑电数据位于内存中的本地数据复制到GPU内的显存中方便访问，在计划分配方式fw中设置如何将单通道脑电信号中的数据分割并分配给各个线程以及线程所需执行的计算，从而实现对单通道脑电信号的多线程并行计算；
8)采用多个线程对这些子计算任务互不干扰地同步进行；
9)最终对多线程的计算结果进行同步汇总后，从GPU显存中复制结果返回到本地内存中，完成计算的并行加速；
10)汇总多个流的计算结果，得到多个有效通道脑电信号的完整处理结果。
2.如权利要求1所述的基于GPU对脑电信号处理过程进行并行加速的方法，其特征在于，在步骤5)中，构造<NB,NT>的线程层次结构，栅格和块的结构为1～3维结构。
3.如权利要求1所述的基于GPU对脑电信号处理过程进行并行加速的方法，其特征在于，在步骤6)中，设定计划分配方式fw包括数据分配部分和执行任务部分；对于数据分配部分计划分配方式fw提供一个公式，由线程坐标得到其指定数据的位置；对于执行任务部分，计划分配方式fw提供具体的操作；每个线程按照计划分配方式fw分配的数据和应该执行的任务完成工作。
4.如权利要求1所述的基于GPU对脑电信号处理过程进行并行加速的方法，其特征在于，在步骤7)中，GPU的计算需要读取显存数据，因此需要把数据从内存中复制到显存中；在分配数据给各个线程进行计算时，需要根据线程在<NB,NT>中的定位从总体数据中分割分配自己所需。
5.如权利要求1所述的基于GPU对脑电信号处理过程进行并行加速的方法，其特征在于，在步骤10)中，由于每个流的计算速度会有差异并不完全同步，为了获取准确的多通道脑电数据处理结果，最后多个流之间需要同步以保证结果数据完整。
6.如权利要求1所述的基于GPU对脑电信号处理过程进行并行加速的方法，其特征在于，基于GPU并行计算对癫痫间期异常活动检测进行加速处理，包括以下步骤：
a)对癫痫间期颅内的脑电信号进行初步预处理，提取有效通道，对多个有效通道的脑电信号进行全局平均参考以去掉共变噪声；
b)对应脑电信号的有效通道数在GPU中分配相应数量的流结构，每个流结构内部负责相应通道的脑电信号数据的计算，能够通过多个流结构实现对脑电信号的并行加速处理；
c)每个流结构内对单一有效通道脑电信号进行一系列的任务W，任务包括对相应通道数据减全局均值、进行降采样和滤波预处理操作，从而减掉直流成分、工频噪声以及降低计算量，其中降采样和滤波中涉及的快速傅立叶变换操作采用多线程的方式实现并行加速，即快速傅立叶变化中的大量独立蝶形计算单元为子计算成分w；
间期脑电中的异常活动主要分布在80～250Hz的高频范围内，提取该频段的希尔伯特能量包络能够突出这些异常活动，希尔伯特变换公式如下：
Figure FDA0003130818450000021
其中，x(t)表示时变信号，*表示卷积操作，对希尔伯特变换后的信号计算幅值即得到能量包络E；在每个流结构内，带通滤波及希尔伯特变换均依赖于快速傅立叶变换，因而在这一步中也能够重复采用GPU的多线程方式实现并行加速，基于快速傅里叶变换，进行多线程加速；基于加速处理得到的能量包络，进行过阈值检测和筛选从而实现间期异常活动的有效检测。
CN202110705009.2A 2021-06-24 2021-06-24 一种基于gpu对脑电信号处理过程进行并行加速的方法 Active CN113420672B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110705009.2A CN113420672B (zh) 2021-06-24 2021-06-24 一种基于gpu对脑电信号处理过程进行并行加速的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110705009.2A CN113420672B (zh) 2021-06-24 2021-06-24 一种基于gpu对脑电信号处理过程进行并行加速的方法

Publications (2)

Publication Number Publication Date
CN113420672A CN113420672A (zh) 2021-09-21
CN113420672B true CN113420672B (zh) 2023-03-14

Family

ID=77717633

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110705009.2A Active CN113420672B (zh) 2021-06-24 2021-06-24 一种基于gpu对脑电信号处理过程进行并行加速的方法

Country Status (1)

Country Link
CN (1) CN113420672B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103336718A (zh) * 2013-07-04 2013-10-02 北京航空航天大学 一种gpu线程调度优化方法
CN111772585A (zh) * 2020-07-13 2020-10-16 清华大学 间期颅内脑电信号中癫痫异常群体活动的数据提取方法
CN111973179A (zh) * 2020-08-25 2020-11-24 北京智源人工智能研究院 脑电波信号处理方法、装置、电子设备及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6389907B2 (ja) * 2015-06-23 2018-09-12 シェンチェン・インスティテューツ・オブ・アドバンスド・テクノロジー・チャイニーズ・アカデミー・オブ・サイエンシーズＳｈｅｎｚｈｅｎ Ｉｎｓｔｉｔｕｔｅｓ Ｏｆ Ａｄｖａｎｃｅｄ Ｔｅｃｈｎｏｌｏｇｙ Ｃｈｉｎｅｓｅ Ａｃａｄｅｍｙ Ｏｆ Ｓｃｉｅｎｃｅｓ Ｇｐｕによる心電信号の並列解析方法
KR102236791B1 (ko) * 2019-11-29 2021-04-06 서울대학교병원 뇌파 분석 기반 환자진단 지원 시스템 및 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103336718A (zh) * 2013-07-04 2013-10-02 北京航空航天大学 一种gpu线程调度优化方法
CN111772585A (zh) * 2020-07-13 2020-10-16 清华大学 间期颅内脑电信号中癫痫异常群体活动的数据提取方法
CN111973179A (zh) * 2020-08-25 2020-11-24 北京智源人工智能研究院 脑电波信号处理方法、装置、电子设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吕东川.基于并行计算的脑电信号分析方法研究.《中国优秀硕士学位论文全文数据库（电子期刊）（信息科技辑）》.2012, *
基于并行计算的脑电信号分析方法研究;吕东川;《中国优秀硕士学位论文全文数据库（电子期刊）（信息科技辑）》;20120815;第三-四章 *

Also Published As

Publication number Publication date
CN113420672A (zh) 2021-09-21

Similar Documents

Publication Publication Date Title
Liu et al. Arrhythmia classification of LSTM autoencoder based on time series anomaly detection
Zhao et al. A multi-branch 3D convolutional neural network for EEG-based motor imagery classification
Miao et al. A spatial-frequency-temporal optimized feature sparse representation-based classification method for motor imagery EEG pattern recognition
Chen et al. Massively parallel neural signal processing on a many-core platform
Zhao et al. Classification of epileptic IEEG signals by CNN and data augmentation
Ullah et al. An end-to-end cardiac arrhythmia recognition method with an effective densenet model on imbalanced datasets using ecg signal
Ullah et al. An effective and lightweight deep electrocardiography arrhythmia recognition model using novel special and native structural regularization techniques on cardiac signal
Janapati et al. Towards a more theory-driven BCI using source reconstructed dynamics of EEG time-series
CN111820876A (zh) 一种脑电空间滤波器的动态构建方法
Tseng et al. Sliding large kernel of deep learning algorithm for mobile electrocardiogram diagnosis
Fang et al. Decoding motor imagery tasks using ESI and hybrid feature CNN
CN113420672B (zh) 一种基于gpu对脑电信号处理过程进行并行加速的方法
Ellis et al. Novel Approach Explains Spatio-Spectral Interactions in Raw Electroencephalogram Deep Learning Classifiers
Wang et al. A hybrid transfer learning approach for motor imagery classification in brain-computer interface
Hanrahan Noise reduction in eeg signals using convolutional autoencoding techniques
Li et al. Subject-based dipole selection for decoding motor imagery tasks
CN110495878B (zh) 基于ecg的疾病预测方法、装置及电子设备
CN117064405A (zh) 一种单通道脑电信号伪迹去除方法、设备及介质
CN117520891A (zh) 一种运动想象脑电信号分类方法及系统
Juhasz Highly parallel online bioelectrical signal processing on GPU architecture
CN114287950A (zh) 基于持续同调和傅里叶变换的心脏病计算机辅助分类方法
Lu et al. A New Multichannel Parallel Network Framework for the Special Structure of Multilead ECG
Liu et al. Separation and recognition of electroencephalogram patterns using temporal independent component analysis
Fang et al. Noninvasive neuroimaging and spatial filter transform enable ultra low delay motor imagery EEG decoding
Artemuk et al. Application of Deep Neural Networks for EEG Signal Processing in Brain-controlled Wheeled Robotic Platform

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