CN113762483A - 一种用于心电信号分割的1D U-net神经网络处理器 - Google Patents
一种用于心电信号分割的1D U-net神经网络处理器 Download PDFInfo
- Publication number
- CN113762483A CN113762483A CN202111089929.2A CN202111089929A CN113762483A CN 113762483 A CN113762483 A CN 113762483A CN 202111089929 A CN202111089929 A CN 202111089929A CN 113762483 A CN113762483 A CN 113762483A
- Authority
- CN
- China
- Prior art keywords
- input
- convolution
- module
- layer
- output
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 36
- 230000011218 segmentation Effects 0.000 title claims abstract description 29
- 238000011176 pooling Methods 0.000 claims abstract description 40
- 238000010586 diagram Methods 0.000 claims abstract description 31
- 238000005070 sampling Methods 0.000 claims abstract description 25
- 230000000747 cardiac effect Effects 0.000 claims description 8
- 206010006578 Bundle-Branch Block Diseases 0.000 claims description 6
- 208000000418 Premature Cardiac Complexes Diseases 0.000 claims description 6
- 206010006580 Bundle branch block left Diseases 0.000 claims description 3
- 206010006582 Bundle branch block right Diseases 0.000 claims description 3
- 230000001746 atrial effect Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 201000001715 left bundle branch hemiblock Diseases 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 201000007916 right bundle branch block Diseases 0.000 claims description 3
- 230000002861 ventricular Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 16
- 238000000034 method Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 13
- 238000003709 image segmentation Methods 0.000 description 3
- 101150115013 DSP1 gene Proteins 0.000 description 2
- 101150062184 DSP4 gene Proteins 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- SDJLVPMBBFRBLL-UHFFFAOYSA-N dsp-4 Chemical compound ClCCN(CC)CC1=CC=CC=C1Br SDJLVPMBBFRBLL-UHFFFAOYSA-N 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 101100388212 Arabidopsis thaliana DSP3 gene Proteins 0.000 description 1
- 101150052726 DSP2 gene Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种用于心电信号分割的1D U‑net神经网络处理器,属于人工智能及心电分析领域,包括:卷积模块,包括N×S个PE组形成的阵列,每一PE组用于完成四输入两输出的Winograd快速卷积运算,每一PE组包括四个PE单元形成的两级流水线结构,对输入的一维心电信号和特征图进行卷积操作,并最终输出一维心电信号的分割结果;池化模块,对输入的特征图进行池化操作;上采样模块,对输入的特征图进行数据插值,以扩展特征图中特征信号的长度;拼接模块,将上采样模块处理前的特征图中的全局信号与上采样模块处理后的特征图中的局部信号进行融合,以扩充特征图中的特征信息。对心电信号进行准确的分割与分类,并减小硬件结构的资源消耗。
Description
技术领域
本发明属于人工智能及心电分析领域,更具体地,涉及一种用于心电信号分割的1D U-net神经网络处理器。
背景技术
人工智能在图像处理、图像识别和计算机视觉等领域取得了巨大成功,其关注的输入通常为二维图像信号,因此,很多神经网络结构仅使用于2D图像信号的输入,例如经典的卷积神经网络结构LeNet5、AlexNet、VGGNet和U-net等。U-net是一种特殊的卷积神经网络,主要被运用于医学图像分割,具有网络轻量化、训练集小、易于训练等特点,是图像分割领域中的典型算法。
与图像分割类似,对时间序列的分割是很有意义的,以心电图信号为例,人工智能自动分割技术可以从心电图信号序列中判断出发生异常的时间,并指明该时间段信号的类型。传统硬件算法往往是针对传统卷积算法的实现,对于用于时间序列信号分割的1D神经网络结构,传统硬件算法的性能不足且硬件效率低下,消耗了大量硬件资源,如何增加1DU-net网络模型的硬件利用率,减少运算时间,是本领域技术人员关心的问题。
发明内容
针对现有技术的缺陷和改进需求,本发明提供了一种用于心电信号分割的1D U-net神经网络处理器,其目的在于在时间尺度上对心电信号进行准确的分割与分类,并减小硬件结构的资源消耗。
为实现上述目的,本发明提供了一种用于心电信号分割的1D U-net神经网络处理器,包括:卷积模块,包括N×S个PE组形成的阵列,N为并行计算的输入特征图的个数,S为并行计算的输出特征图的个数,每一所述PE组用于完成四输入两输出的Winograd快速卷积运算,每一所述PE组包括四个PE单元形成的两级流水线结构,第二个输入和第三个输入对应的PE单元处于第一级流水线,第一个输入和第四个输入对应的PE单元处于第二级流水线,用于对输入的一维心电信号和特征图进行卷积操作,并最终输出所述一维心电信号的分割结果;池化模块,连接所述卷积模块,用于对输入的特征图进行池化操作;上采样模块,连接所述卷积模块,用于对输入的特征图进行数据插值,以扩展特征图中特征信号的长度;拼接模块,用于将所述上采样模块处理前的特征图中的全局信号与所述上采样模块处理后的特征图中的局部信号进行融合,以扩充特征图中的特征信息。
更进一步地,所述N×S个PE组形成的阵列中,同一列的PE组中输入同一输入特征图,同一行的各列PE组的输出是同一输出特征图的部分和。
更进一步地,所述卷积模块包括22个卷积层,所述池化模块包括4个池化层,所述上采样模块包括4个上采样层,所述拼接模块包括4个拼接单元;第l个池化层位于第2l个卷积层和第2l+1个卷积层之间;第l个上采样层位于第3l+7个卷积层和第3l+8个卷积层之间;第l个拼接单元分别用于对第10-2l个卷积层输出的特征图和第l个上采样层跟随的卷积层输出的特征图进行特征融合,l=1,2,3,4。
更进一步地,还包括:预处理模块,用于对所述一维心电信号进行截取或零填充操作,以将所述一维心电信号转化为预设尺寸的信号并输入至第一个卷积层,所述预设尺寸为1024×1。
更进一步地,所述池化层中池化窗口的尺寸为2×1,用于对输入信号中的两个相邻数据进行压缩,压缩后的信号长度为输入信号的一半。
更进一步地,所述上采样层中上采样窗口的尺寸为2×1,用于对输入信号中每个数据进行两次采样输出,上采样后的信号长度为输入信号的两倍。
更进一步地,所述拼接模块中的拼接操作为:
其中,yi,n为拼接操作后得到的第n个输出通道的第i个位置处的结果,为第10-2l个卷积层输出的第n个输出通道的第i个位置处的结果,为第l个上采样层跟随的卷积层输出的第n-M个输出通道的第i个位置处的结果,M为第10-2l个卷积层输出特征图的个数,n∈[1,2M]。
更进一步地,所述卷积模块最终输出的分割结果为六段,分别对应五种不同的心电类型和背景信号,所述心电类型包括正常心拍、左束支传导阻滞、右束支传导阻滞、室性早搏和房性早搏。
总体而言,通过本发明所构思的以上技术方案,能够取得以下有益效果:
(1)将用于实现Winograd快速卷积算法的PE组设计为两级流水线结构,使得Winograd快速卷积算法中的加法操作可以被集成到DSP中,减少了单独的加法器消耗,提高了硬件利用率及计算吞吐量;
(2)两级流水线组成的PE组在输入特征图方向和输出特征图方向并行展开实现,实现了数据的时间复用和空间复用,提高了硬件利用率和计算效率,同时增加了计算吞吐量;
(3)提供了一种具体的1D U-net神经网络处理器结构,该结构中的所有网络层用于对1D输入特征信号进行处理,对于1D心电信号的输入具有普适性,可以定位同一类型数据所处的整个时间段,且其网络结构能够提高分类准确度,相对其他尺寸结构具有最优的性能。
附图说明
图1为本发明实施例提供的用于心电信号分割的1D U-net神经网络处理器的网络结构示意图;
图2为图1所示1D U-net神经网络处理器中实现Winograd快速卷积的电路结构示意图;
图3A为本发明实施例提供的采用二级流水结构的PE组的电路结构示意图;
图3B为不采用二级流水结构的PE组的电路结构示意图;
图4A和图4B分别为传统卷积和Winograd快速卷积的计算过程示意图;
图5为本发明实施例提供的一维卷积过程示意图;
图6为本发明实施例提供的一维池化过程示意图;
图7为本发明实施例提供的一维上采样过程示意图;
图8为本发明实施例提供的拼接操作过程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
在本发明中,本发明及附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
图1为本发明实施例提供的用于心电信号分割的1D U-net神经网络处理器的网络结构示意图。参阅图1,结合图2-图8,对本实施例中用于心电信号分割的1D U-net神经网络处理器(以下简称为1D U-net神经网络处理器)进行详细说明。
1D U-net神经网络处理器包括卷积模块、池化模块、上采样模块和拼接模块。卷积模块用于对输入的一维心电信号和特征图进行卷积操作,并最终输出一维心电信号的分割结果。池化模块与卷积模块相连,用于对输入的特征图进行池化操作。上采样模块与卷积模块相连,且位于池化模块之后,用于对输入的特征图进行数据插值,以扩展特征图中特征信号的长度。拼接模块用于将上采样模块处理前的特征图中的全局信号与上采样模块处理后的特征图中的局部信号进行融合,以扩充特征图中的特征信息。
卷积模块包括N×S个PE组形成的阵列,N为并行计算的输入特征图的个数,S为并行计算的输出特征图的个数,如图2所示。每一PE组用于完成四输入两输出的Winograd快速卷积运算,每一PE组包括四个PE单元形成的两级流水线结构,第二个输入和第三个输入对应的PE单元处于第一级流水线,第一个输入和第四个输入对应的PE单元处于第二级流水线,如图3A所示。
参阅图4A和图4B,示出了传统卷积算法和Winograd快速卷积算法的对比示意图。本实施例中所提供的1D U-net神经网络处理器使用的卷积核大小为3×1,因此,图4A和图4B中示出了4个输入信号x0,x1,x2,x3与3个权重信号w0,w1,w2的卷积过程,该卷积得到两个卷积结果d0和d1。在传统卷积计算中,[w0,w1,w2]分别与[x0,x1,x2]和[x1,x2,x3]进行乘累加运算,得到两个结果需要消耗6个乘法器和4个加法器,在Winograd快速卷积中,对输入信号做Winograd变换,其Winograd变换过程的公式如下:
使用Winograd快速卷积算法实现本实施例中的1D U-net网络得到两个输出结果需要消耗4个乘法器和8个加/减法器。从硬件角度,乘法器的资源消耗远远大于加/减法器的资源消耗,且计算时间也大于加/减法器,相较于传统卷积算法,Winograd快速卷积算法减少了乘法器的资源消耗量,增加了硬件利用效率,同时缩短了计算时间。
参阅图3A,示出了本实施例中用于计算单个Winograd卷积的具有2级流水线结构的PE组电路结构示意图。该PE组电路包含4个PE单元,每个PE单元消耗1个数字信号处理(Digital Signal Process,DSP)资源,这4个PE单元构成2级流水线电路结构,以完成输入信号[x0,x1,x2,x3]与权重信号[w0,w1,w2]之间的Winograd快速卷积。第一级流水由PE2和PE3组成,在PE2中产生的结果m2进入PE3中与PE3产生的结果m3相减得到(m2-m3),在PE3中产生结果m3进入PE2中与PE2产生的结果m2相加得到(m2+m3)。第二级流水由PE1和PE4组成,在PE1中产生的结果m1与PE2在第一级流水线的输出结果(m2+m3)相加得到Winograd快速卷积的第一个输出结果d0,在PE4中产生的结果m4与PE3在第一级流水线的输出结果(m2-m3)相减得到Winograd快速卷积的第二个输出结果d1。该PE组将乘法个数减少至传统卷积的2/3,提高了DSP效率。
本实施例中,将PE组设计为二级流水线结构,两级流水线的结构将加法操作集成到DSP中,减少了单独的加法器消耗,提高了硬件利用率及计算吞吐量。对于不采用流水结构的PE组而言,即所有DSP在同一个时钟周期同时输出结构,如图3B所示。参阅图3B,由于在1个时钟周期之后4个DSP同时产生输出结构,而DSP2和DSP3的结果应该作为DSP1和DSP4的输入,在下一个时钟周期进入DSP1和DSP4,对于图3B所示实现方式,剩下的4个加/减法器需要使用单独的资源,DSP只能做阴影部分的计算。因此,本实施例中采用级联二级流水线结构能充分利用DSP资源,减少资源消耗。
根据本发明的实施例,N×S个PE组形成的阵列中,同一列的PE组中输入同一输入特征图,同一行的各列PE组的输出是同一输出特征图的部分和。
以N=S=4为例,PE组形成的阵列如图2所示。参阅图2,本实施例提供了适配于所述1D U-net网络的Winograd快速卷积电路结构示意图。输入信号从Pixel BRAM中读出,权重信号从Weight BRAM中读出,为提高计算吞吐量、缩短计算时间,本实施例提供了一种适配于1D U-net神经网络处理器的三维PE阵列的电路结构。该PE阵列同时在输入特征图方向Imap和输出特征图方向Omap进行展开,展开度均为4。每个展开方向使用一个PE组完成一个基本单元的Winograd快速卷积,从而形成一个4×4×4的三维阵列结构。在每个输入特征图Imap方向上的4个PE组共用相同的输入信号[x0,x1,x2,x3],实现了输入信号的空间复用。在每个时钟周期仅需读出16个输入信号参与64个PE单元的计算,在每个输出特征图Omap方向上使用不同的权重信号与空间复用的输入信号进行卷积。在一段时间内,从Weight BRAM读出的权重信号不发生改变,实现了权重信号的时间复用。每个时钟周期有64个不同的权重信号输入到3维PE阵列进行Winograd快速卷积计算,将每个输出特征图方向上的的4个PE组得到的2个Winograd快速卷积单元分别通过加法树相加得到1个输出特征图方向上的2个部分和结果,该部分和结果用于进行后续计算。
根据本发明的实施例,卷积模块包括22个卷积层,池化模块包括4个池化层,上采样模块包括4个上采样层,拼接模块包括4个拼接单元。第l个池化层位于第2l个卷积层和第2l+1个卷积层之间。第l个上采样层位于第3l+7个卷积层和第3l+8个卷积层之间。第l个拼接单元分别用于对第10-2l个卷积层输出的特征图和第l个上采样层跟随的卷积层输出的特征图进行特征融合,l=1,2,3,4,如图1所示。
1D U-net神经网络处理器的输入是一段长为1024的1D心电信号,表示该信号含有1024个数据。该神经网络的输出有H+1段,每一段的长度和输入心电信号的长度相同。输出心电信号分割结果包含H种不同的心电类型,以H=5为例,心电类型包括正常心拍、左束支传导阻滞、右束支传导阻滞、室性早搏和房性早搏,1D U-net神经网络处理器用于对这五种类型心拍进行分类,此时加上背景一共6段输出分割结果。
参阅图1,相邻两层之间至少包含一个卷积层,而箭头上的数字是整个1D U-net神经网络结构中的卷积层的编号。第1、3、5、7、9、10、12、13、15、16、18、19、21和22层仅包含一个卷积层,第2、4、6、8层包含一个卷积层和一个池化层,第11、14、17、20层包含一个上采样层和一个卷积层,4个拼接操作对象分别是第2层的卷积结果和第20层的卷积结果、第4层的卷积结果和第17层的卷积结果、第6层的卷积结果和第14层的卷积结果、第8层的卷积结果和第11层的卷积结果。
参阅图5,示出了1D卷积层的卷积过程。22个卷积层的卷积方式相似,以第1层卷积层为例说明卷积过程。输入第1层卷积层的1D心电信号是1024×1,输出的1D特征信号是1024×4,使用的单个卷积核尺寸为3,记为Ksize,在第1层卷积层中需要用到4个3×1大小的卷积核才能得到第1层的输出,每一个卷积核需要一个偏置参数与之对应,因此需要4个偏置参数。
根据本发明的实施例,1D U-net神经网络处理器还包括预处理模块,用于对一维心电信号进行截取或零填充操作,以将一维心电信号转化为预设尺寸的信号并输入至第一个卷积层,预设尺寸为1024×1。图5中在卷积层输入信号的开始和结尾进行零填充,以确保输入边缘数据的完整性,同时保证输出与输入信号的长度相同。卷积核窗口在输入信号上滑动,步长为1,卷积核与输入信号对应位置的数据相乘,再与对应的偏置参数相加后得到一个输出结果。卷积核滑动到输入信号的不同位置时,对应的输出信号位置产生一个卷积后的结果,再使用ReLU函数对结果进行激活后得到该卷积层的输出,所有卷积层中卷积核的尺寸大小均为3。1D卷积运算及ReLU激活函数的公式如下:
其中,yi,n表示经过1D卷积运算后得到的第n个输出通道、第i个位置处的中间结果,M表示输入特征信号的通道数,Ksize表示卷积核的尺寸,xk+i,j表示输入特征信号中的第j个通道中第k+i个数据,表示第n个卷积核中第j个通道中第k个位置处的权重参数数据,b(n)表示第n个卷积核的偏置参数。
参阅图6,示出了1D池化层的池化过程。池化过程仅存在于神经网络结构中的第2、4、6、8层,跟随在相应的卷积层之后。池化窗口的尺寸为2×1,即对输入信号中的两个相邻数据进行压缩,压缩后的信号长度变为原信号长度的一半,而通道数与原输入的通道数相同。
池化层的压缩方式可选用最大值池化或均值池化,池化窗口在输入信号上滑动,步长与池化窗口的尺寸相同,以保证不同池化窗口中的输入信号没有重叠,每个池化窗口中两个相邻的输入信号数据进行最大值比较或均值计算,对应的输出信号产生一个池化后的结果,所有池化层中池化窗口的尺寸大小均为2×1。1D池化运算的公式如下:
其中,yi,m表示第m个输出通道、第i个位置处的池化输出结果,x2i,m表示第m个输入通道、第2i个位置处的输入特征信号的数据值,x2i+1,m表示第m个输入通道、第2i+1个位置处的输入特征信号的数据值。
参阅图7,示出了1D上采样过程。上采样过程仅存在于神经网络结构中的第11、14、17、20层,各上采样层在相应的卷积层之前,上采样窗口的尺寸为2×1。上采样层将输入信号进行扩展,输入信号中每个位置的数据被采样两次作为输出,因此每个输入数据在输出上有两个相同的数据与之对应,扩展后的信号长度变为原信号长度的2倍,而通道数保持不变。
以神经网络结构中的第11层为例,该层首先经历一个上采样扩展,输入信号从64×64扩展为128×64,随后经过一个卷积层,信号经过卷积后从128×64变为128×32,以保证该层输出信号能与前层卷积后的输出信号进行恰当的拼接。1D上采样的公式如下:
y2i+1,m=y2i,m=xi,m
其中,y2i+1,m表示第m个输出通道、第2i+1个位置处的上采样输出特征信号的数据值,y2i,m表示第m个输出通道、第2i个位置处的上采样输出特征信号的数据值,xi,m表示第m个输入通道、第i个位置处的输入特征信号的数据值。
参阅图8,示出了1D信号拼接过程。拼接操作的对象分别是是第2层和第20层的卷积结果、第4层和第17层的卷积结果、第6层和第14层的卷积结果、第8层和第11层的卷积结果。将前层的输入信号表示为X(1),将后层的输入信号表示为X(2)。
以第8层卷积结果和第11层卷积结果的拼接为例,X(1)是第8层卷积层的输出结果,X(2)是第11层卷积层的输出结果,两者信号长度和通道数相同,拼接后的输出通道数变为各输入通道数的两倍,信号长度保持不变。拼接操作将高层次全局信息与低层次局部信息进行融合,扩充了输入特征信号中的特征信息,使1D心电信号中的一些关键特征不至于丢失,拼接操作的公式如下:
其中,yi,n为拼接操作后得到的第n个输出通道的第i个位置处的结果,为第10-2l个卷积层输出的第n个输出通道的第i个位置处的结果,为第l个上采样层跟随的卷积层输出的第n-M个输出通道的第i个位置处的结果,M为第10-2l个卷积层输出特征图的个数,n∈[1,2M]。
综上所述,本实施例提供的1D U-net神经网络处理器包含深层卷积层,适用于1D心电信号的处理。1D U-net神经网络处理器能提取更丰富的特征信息,并且能对心电信号每个位置的数据进行分类以达到心电信号分割的效果。在时间上的表现为定位同一类型数据所处的整个时间段,这对心电信号中异常发生时间的判断有很好的效果。本实施例所提供的基于Winograd快速卷积算法的三维PE阵列是对该1D U-net神经网络的高效硬件实现,该硬件结构由2级流水线组成的PE组在输入特征图方向和输出特征图方向并行展开实现,实现了数据的时间复用和空间复用,提高了硬件利用率和计算效率,同时增加了计算吞吐量。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种用于心电信号分割的1DU-net神经网络处理器,其特征在于,包括:
卷积模块,包括N×S个PE组形成的阵列,N为并行计算的输入特征图的个数,S为并行计算的输出特征图的个数,每一所述PE组用于完成四输入两输出的Winograd快速卷积运算,每一所述PE组包括四个PE单元形成的两级流水线结构,第二个输入和第三个输入对应的PE单元处于第一级流水线,第一个输入和第四个输入对应的PE单元处于第二级流水线,用于对输入的一维心电信号和特征图进行卷积操作,并最终输出所述一维心电信号的分割结果;
池化模块,连接所述卷积模块,用于对输入的特征图进行池化操作;
上采样模块,连接所述卷积模块,用于对输入的特征图进行数据插值,以扩展特征图中特征信号的长度;
拼接模块,用于将所述上采样模块处理前的特征图中的全局信号与所述上采样模块处理后的特征图中的局部信号进行融合,以扩充特征图中的特征信息。
2.如权利要求1所述的用于心电信号分割的1DU-net神经网络处理器,其特征在于,所述N×S个PE组形成的阵列中,同一列的PE组中输入同一输入特征图,同一行的各列PE组的输出是同一输出特征图的部分和。
3.如权利要求1所述的用于心电信号分割的1DU-net神经网络处理器,其特征在于,所述卷积模块包括22个卷积层,所述池化模块包括4个池化层,所述上采样模块包括4个上采样层,所述拼接模块包括4个拼接单元;
第l个池化层位于第2l个卷积层和第2l+1个卷积层之间;第l个上采样层位于第3l+7个卷积层和第3l+8个卷积层之间;第l个拼接单元分别用于对第10-2l个卷积层输出的特征图和第l个上采样层跟随的卷积层输出的特征图进行特征融合,l=1,2,3,4。
4.如权利要求3所述的用于心电信号分割的1DU-net神经网络处理器,其特征在于,还包括:预处理模块,用于对所述一维心电信号进行截取或零填充操作,以将所述一维心电信号转化为预设尺寸的信号并输入至第一个卷积层,所述预设尺寸为1024×1。
5.如权利要求3或4所述的用于心电信号分割的1DU-net神经网络处理器,其特征在于,所述池化层中池化窗口的尺寸为2×1,用于对输入信号中的两个相邻数据进行压缩,压缩后的信号长度为输入信号的一半。
6.如权利要求3或4所述的用于心电信号分割的1DU-net神经网络处理器,其特征在于,所述上采样层中上采样窗口的尺寸为2×1,用于对输入信号中每个数据进行两次采样输出,上采样后的信号长度为输入信号的两倍。
8.如权利要求1或3所述的用于心电信号分割的1DU-net神经网络处理器,其特征在于,所述卷积模块最终输出的分割结果为六段,分别对应五种不同的心电类型和背景信号,所述心电类型包括正常心拍、左束支传导阻滞、右束支传导阻滞、室性早搏和房性早搏。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111089929.2A CN113762483B (zh) | 2021-09-16 | 2021-09-16 | 一种用于心电信号分割的1D U-net神经网络处理器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111089929.2A CN113762483B (zh) | 2021-09-16 | 2021-09-16 | 一种用于心电信号分割的1D U-net神经网络处理器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113762483A true CN113762483A (zh) | 2021-12-07 |
CN113762483B CN113762483B (zh) | 2024-02-09 |
Family
ID=78796110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111089929.2A Active CN113762483B (zh) | 2021-09-16 | 2021-09-16 | 一种用于心电信号分割的1D U-net神经网络处理器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113762483B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114399036A (zh) * | 2022-01-12 | 2022-04-26 | 电子科技大学 | 一种基于一维Winograd算法的高效卷积计算单元 |
CN115600652A (zh) * | 2022-11-29 | 2023-01-13 | 深圳市唯特视科技有限公司(Cn) | 卷积神经网络处理装置、高速目标探测方法以及设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109583298A (zh) * | 2018-10-26 | 2019-04-05 | 复旦大学 | 基于集合的跨视角步态识别方法 |
CN110141220A (zh) * | 2019-06-20 | 2019-08-20 | 鲁东大学 | 基于多模态融合神经网络的心肌梗死自动检测方法 |
CN111459877A (zh) * | 2020-04-02 | 2020-07-28 | 北京工商大学 | 基于FPGA加速的Winograd YOLOv2目标检测模型方法 |
WO2020177217A1 (zh) * | 2019-03-04 | 2020-09-10 | 东南大学 | 基于变尺度多特征融合卷积网络的路侧图像行人分割方法 |
CN111956211A (zh) * | 2020-07-29 | 2020-11-20 | 鲁东大学 | 单导联心电信号房颤自动检测方法 |
CN111956214A (zh) * | 2020-07-29 | 2020-11-20 | 鲁东大学 | 基于U-net端对端神经网络模型的QRS波自动检测方法 |
CN113255898A (zh) * | 2021-06-16 | 2021-08-13 | 合肥工业大学 | 基于Winograd算法的卷积神经网络硬件加速器及计算方法 |
-
2021
- 2021-09-16 CN CN202111089929.2A patent/CN113762483B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109583298A (zh) * | 2018-10-26 | 2019-04-05 | 复旦大学 | 基于集合的跨视角步态识别方法 |
WO2020177217A1 (zh) * | 2019-03-04 | 2020-09-10 | 东南大学 | 基于变尺度多特征融合卷积网络的路侧图像行人分割方法 |
CN110141220A (zh) * | 2019-06-20 | 2019-08-20 | 鲁东大学 | 基于多模态融合神经网络的心肌梗死自动检测方法 |
CN111459877A (zh) * | 2020-04-02 | 2020-07-28 | 北京工商大学 | 基于FPGA加速的Winograd YOLOv2目标检测模型方法 |
CN111956211A (zh) * | 2020-07-29 | 2020-11-20 | 鲁东大学 | 单导联心电信号房颤自动检测方法 |
CN111956214A (zh) * | 2020-07-29 | 2020-11-20 | 鲁东大学 | 基于U-net端对端神经网络模型的QRS波自动检测方法 |
CN113255898A (zh) * | 2021-06-16 | 2021-08-13 | 合肥工业大学 | 基于Winograd算法的卷积神经网络硬件加速器及计算方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114399036A (zh) * | 2022-01-12 | 2022-04-26 | 电子科技大学 | 一种基于一维Winograd算法的高效卷积计算单元 |
CN114399036B (zh) * | 2022-01-12 | 2023-08-22 | 电子科技大学 | 一种基于一维Winograd算法的高效卷积计算单元 |
CN115600652A (zh) * | 2022-11-29 | 2023-01-13 | 深圳市唯特视科技有限公司(Cn) | 卷积神经网络处理装置、高速目标探测方法以及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113762483B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108710830B (zh) | 一种结合密集连接注意力金字塔残差网络和等距限制的人体3d姿势估计方法 | |
Sengupta et al. | Sfsnet: Learning shape, reflectance and illuminance of facesin the wild' | |
CN113762483B (zh) | 一种用于心电信号分割的1D U-net神经网络处理器 | |
US20210365710A1 (en) | Image processing method, apparatus, equipment, and storage medium | |
CN110992270A (zh) | 基于注意力的多尺度残差注意网络图像超分辨率重建方法 | |
CN112288011B (zh) | 一种基于自注意力深度神经网络的图像匹配方法 | |
JP2949498B2 (ja) | Dct回路、idct回路及びdct/idct回路 | |
CN113689517B (zh) | 一种多尺度通道注意力网络的图像纹理合成方法及系统 | |
CN112801169A (zh) | 一种基于改进yolo算法的伪装目标检测方法 | |
CN112232134A (zh) | 一种基于沙漏网络结合注意力机制的人体姿态估计方法 | |
CN111709270B (zh) | 一种基于深度图像的三维外形恢复和姿态估计方法和装置 | |
CN110414348A (zh) | 一种视频处理方法及装置 | |
Wang et al. | Msfnet: multistage fusion network for infrared and visible image fusion | |
CN110580726A (zh) | 基于动态卷积网络的自然场景下人脸素描生成模型及方法 | |
CN110599495A (zh) | 一种基于语义信息挖掘的图像分割方法 | |
CN116434039B (zh) | 一种基于多尺度拆分注意力机制的目标检测方法 | |
CN115171052B (zh) | 基于高分辨率上下文网络的拥挤人群姿态估计方法 | |
CN116823610A (zh) | 一种基于深度学习的水下图像超分辨率生成方法和系统 | |
Hwang et al. | Systolic architecture for 2-D rank order filtering | |
CN113657246A (zh) | 一种基于自监督学习的三维点云二阶段目标检测方法 | |
CN113052030A (zh) | 一种基于单张rgb图像的双流多尺度手部姿态估计方法 | |
Bhardwaj et al. | Low complexity hardware accelerator for nD FastICA based on coordinate rotation | |
Syed et al. | A scalable architecture for discrete wavelet transform | |
CN109241492A (zh) | 快速求取电力系统节点阻抗矩阵的高斯-约当消元新算法 | |
CN113592067B (zh) | 一种用于卷积神经网络的可配置型卷积计算电路 |
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 |