CN117892224B - 一种具备唤醒机制的混合特征神经网络信号处理硬件电路 - Google Patents
一种具备唤醒机制的混合特征神经网络信号处理硬件电路 Download PDFInfo
- Publication number
- CN117892224B CN117892224B CN202410291020.2A CN202410291020A CN117892224B CN 117892224 B CN117892224 B CN 117892224B CN 202410291020 A CN202410291020 A CN 202410291020A CN 117892224 B CN117892224 B CN 117892224B
- Authority
- CN
- China
- Prior art keywords
- wake
- neural network
- classifier
- classification result
- artificial
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 82
- 238000012545 processing Methods 0.000 title claims abstract description 19
- 230000007246 mechanism Effects 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000000605 extraction Methods 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims description 33
- 238000013500 data storage Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 3
- 230000003139 buffering effect Effects 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000007635 classification algorithm Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012407 engineering method Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Neurology (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种具备唤醒机制的混合特征神经网络信号处理硬件电路，包括人工特征提取模块、唤醒分类器和神经网络分类器在长时间的工作过程中，仅有一个唤醒分类器工作，用于处理大部分高概率分类结果样本，只有当该分类器发现样本疑似为低概率分类结果样本时，才醒神经网络分类器工作，得到准确的分类结果。为了保证分类的准确率，本发明提出的唤醒分类器处理的数据为经过筛选的人工特征，获取人工特征相对于获取卷积特征计算量较小，且如需唤醒后神经网络分类器，其人工特征计算结果将用于后续混合特征的产生。通过卷积特征与人工特征结合的方式实现了低计算复杂度与高分类准确率。唤醒机制有效降低了长时间工作下电路运行的功耗。
Description
技术领域
本发明涉及信号分类的人工智能技术，特别涉及具备唤醒机制的混合特征神经网络信号处理技术。
背景技术
现有研究，人工智能信号分类算法的主要结构包括特征提取和分类器两部分。其工作模式为从原始信号中提取出各种对于不同分类任务区分度显著的特征，并通过分类器分类，得到该段信号所属类别。目前有两类方法，一类采用人工特征工程，通过数据预处理、特征计算、特征选择等步骤，使用人类专业知识和经验来设计和构造机器学习模型所需的特征。提取人工特征主要包括时频域特征、频域特征、小波变换域特征等手段，再利用基于机器学习的分类器例如K最近邻、支持向量机等进行信号所属类别的分类。特征工程方法有着计算复杂度低的特点，但其主要依赖人的经验，处理准确率受限。一类采用端到端的神经网络处理方法，例如卷积神经网络，从原始数据自动学习特征，不受限于人的经验知识，并自动分类，泛化性能更强，在多种信号分类任务中有更高的分类准确率。然而，神经网络方法有着计算复杂度高、存储开销大的特点，在硬件实现时需要消耗更多的电路资源，且有着更高的功耗，使其不易部署在便携式设备上。现阶段，通常采用云端互联的方法解决上述问题，具体步骤包括将神经网络部署在云端，通过将原始信号上传到服务器进行信号智能分类，并将结果下传到便携式设备端进行结果显示等行为。然而，此种云端互联的方法有着信号分类实时性较差、数据通信网络稳定性要求高、用户隐私易泄露等一系列问题。
在使用便携式设备进行医学监测以及雷达监测这类场景中，对监测信号的分类几乎都是非均衡性的。即某一种信号类型占据大部分的时间。比如，使用心电监测仪器，对监测对象进行24h心电监测时，大部分时间心电信号是正常的，异常心电通常是突然出现在某些时刻的。再比如，进行空中飞行物探测的雷达监测中，大部分时间监测范围中是无监测目标的状态，空中出现无人机等目标的次数仍然是少量的。
发明内容
本发明所要解决的技术问题是，提供一种适用于便携式设备，在非均衡的分类场景中的神经网络信号处理硬件电路。
本发明为解决上述技术问题所采用的技术方案是，一种具备唤醒机制的混合特征神经网络信号处理硬件电路，包括：人工特征提取模块、唤醒分类器和神经网络分类器；
人工特征提取模块用于对输入的待处理信号提取出人工特征，将人工特征输出至唤醒分类器；
唤醒分类器用于根据输入的人工特征进行二分类处理输出二分类结果；所述二分类结果为高概率分类结果和低概率分类结果；唤醒分类器采用偏向性训练方式使得输出的分类结果更偏向低概率分类结果；当二分类结果为高概率分类结果时，将唤醒分类器输出的高概率分类结果作为待处理信号的分类结果；当二分类结果为低概率分类结果时，则触发神经网络分类器，并控制人工特征提取模块输出人工特征至神经网络分类器；
神经网络分类器用于对输入的待处理信号提取出卷积特征，再将卷积特征与输入的人工特征进行融合得到混合特征，最后利用混合特征完成分类输出待处理信号的分类结果。
本发明针对由于在对信号的长期监测当中，存在样本分类不均衡的问题，大部分输入信号都为高概率分类结果，低概率分类结果出现的情况较少。长时间保持复杂的神经网络模型开启会带来较大的功耗损失。故本发明提出了一种唤醒机制，在长时间的工作过程中，仅有一个唤醒分类器工作，用于处理大部分高概率分类结果样本，只有当该分类器发现样本疑似为低概率分类结果样本时，才醒神经网络分类器工作，得到准确的分类结果。为了满足上述需求，该唤醒分类器具有偏向性的分类能力，其更偏向于将样本分类为低概率分类结果样本，这样在过滤高概率分类结果样本时可以确保低概率分类结果不会被漏掉。
为了保证分类的准确率，本发明提出的唤醒分类器处理的数据为经过筛选的人工特征，获取人工特征相对于获取卷积特征计算量较小，且如需唤醒后神经网络分类器，其人工特征计算结果将用于后续混合特征的产生。神经网络分类器是利用卷积特征和人工特征融合后的混合特征进行分类，在同等网络参数量情况下，使用混合特征的分类准确率会更高。那么如果要达到和纯卷积网络提取的方法相同的准确率，还可以更进一步降低神经网路参数要求。除此之外，唤醒分类器也采取低计算度分类算法，最大程度地降低了该模式下的功耗。
本发明的有益效果是：
1、高的分类准确率。通过卷积特征与人工特征结合的方式，在实现低计算复杂度的同时，实现了较高的分类准确率；
2、低的处理功耗。本发明所提出的唤醒机制，确保了在不漏掉低概率分类信号的前提下，由唤醒分类器就可以处理绝大部分属于高概率分类的信号，有效降低了长时间工作下电路运行的功耗。
附图说明
图1为本实施例流程图；
图2为本实施例电路框架图其中，虚线为控制流，实线为数据流。
具体实施方式
为了更清楚地展示本发明的优势，下面结合附图进行进一步的阐述。
实施例中设定分类结果1为出现概率较高的分类结果，分类结果2等其他非1的分类结果为出现概率低的分类结果。针对在对信号的长期监测当中，大部分输入信号都为分类结果1，其他非1的分类结果2出现的情况较少，长时间保持复杂的神经网络模型开启会带来较大的功耗损失的缺陷提出基于唤醒机制为结合混合特征提取的一种低功耗优化技术。
混合特征提取即为人工特征与卷积特征结合的特征提取方式。卷积神经网络可以通过卷积层自动地学习各类特征，无需人工干预，其优点是可以学习到更加抽象的深层特征并且不依赖于人的经验知识。然而，使用卷积层进行某些特征的提取较为困难，例如时序特征、时频域特征等。面对此类问题，通常会采用新的神经网络结构例如RNN、LSTM等或增加网络的深度进行更抽象的特征提取，均带来了计算复杂度进一步上升的难题。而人工特征则是根据分类任务的特点和已有的经验，人为筛选出的先验信息，其有着计算复杂度低的特点。通过将卷积特征与人工特征相结合的方式，由人工计算信号中不易于卷积层自动提取的特征，卷积提取信号的其余特征，在不增加神经网络计算复杂度的前提下，可以从原始信号中提取出更加多维度、泛化能力更强的特征集合。最后将提取到的特征信息经过人工神经网络的全连接层进行整合，得到最终分类结果。经过筛选的人工特征计算量较小，且如需唤醒后续混合特征神经网络分类器，其人工特征计算结果可用于后续混合特征的产生。
唤醒机制在长时间的工作过程中，仅有一个唤醒分类器工作，用于处理大部分分类结果1样本，只有当该分类器发现样本疑似为非1的分类结果时才唤醒神经网络分类器工作，得到准确的分类结果。唤醒分类器具有偏向性的分类能力，其更偏向于将样本分类为分类结果2，这样在过滤分类结果1样本时可以确保非1的分类结果样本不会被漏掉。具体做法为，在训练唤醒分类器时，对损失函数增加惩罚系数，使模型在训练时就更倾向于将样本分为非1的分类结果，以此保证唤醒机制下整体模型的准确率。除此之外，唤醒分类器采取低计算度分类算法，最大程度地降低了该模式下的功耗。
以信号的二分类为例，即信号只有两种分类结果为分类结果1和分类结果2。具备唤醒机制的混合特征神经网络信号处理流程如图1所示。开始进行分类的信号处理，首先数据输入，根据输入的数据进行人工特征提取，提取出的人工特征送入唤醒分类器中进行样本分类；若分类为结果1则输出分类结果并结束分类；若分类为结果2则唤醒神经网络分类器先进行卷积特征提取后输出与计算得到的人工特征进行特征融合得到混合特征，将混合特征再输入神经网络分类器进行分类，分类完成后输出分类结果并结束分类。神经网络分类器输出的分类结果为分类结果1或分类结果2。
当上述流程应用在多分类的场景时，唤醒分类器依然为一个二分类器，其输出的两种分类结果为分类结果1和其他非1的分类结果。神经网络分类器为一个多分类器，可以对N类信号进行分类，其输出多分类结果包括分类结果1、分类结果2、…、分类结果N。
具备唤醒机制的混合特征神经网络信号处理硬件电路包括：人工特征提取模块、唤醒分类器和神经网络分类器；
人工特征提取模块用于对输入的待处理信号提取出人工特征，将人工特征输出至唤醒分类器；
唤醒分类器用于根据输入的人工特征进行二分类处理输出二分类结果；二分类结果为分类结果1和其他非1的分类结果；唤醒分类器采用偏向性训练方式使得输出的分类结果更偏向非1的分类结果；当二分类结果为分类结果1时，将分类结果1作为待处理信号的分类结果输出；当二分类结果为其他非1的分类结果时，则触发神经网络分类器，并控制人工特征提取模块输出人工特征至神经网络分类器；
神经网络分类器用于对输入的待处理信号提取出卷积特征，再将卷积特征与输入的人工特征进行融合得到混合特征，最后利用混合特征完成高精度分类，将高精度分类结果作为待处理信号的分类结果输出。高精度分类结果可以是二分类结果也可以是多分类结果。
具体的，为了方便两个分类器在各步骤间状态跳转的控制，可以增加总体状态控制单元。总体状态控制单元可以设置在唤醒分类器中，也可以单独设置。总体状态控制单元，总体状态控制单元用于每接收到输出的待处理信号的分类结果后，暂停神经网络分类器，开启唤醒分类器；当二分类结果为低概率分类结果时，唤醒分类器通过总体状态控制单元触发神经网络分类器。
具体的，在输入端设置信号数据存储单元，信号数据存储单元用于缓存输入的待处理信号；受唤醒分类器和神经网络分类器控制，向人工特征提取模块和神经网络分类器发送输入的待处理信号。
更具体的，如图2所示，人工特征提取模块包括人工特征计算单元与人工特征存储单元；唤醒分类器包括唤醒模块控制单元与唤醒计算单元；神经网络分类器包括卷积特征存储单元、网络权重存储单元、神经网络计算单元和神经网络控制单元。
总体状态控制单元的控制端与唤醒模块控制单元和神经网络控制单元相连，通过这两个控制单元来控制唤醒分类器和神经网络分类器的工作状态。
唤醒模块控制单元对人工特征计算单元、唤醒计算单元和人工特征存储单元、信号数据存储单元进行控制，包括对人工特征计算过程、唤醒计算过程结果、待处理信号的读取和人工特征的读取存储进行控制。
神经网络控制单元对神经网络计算单元、信号数据存储单元、卷积特征存储单元和网络权重存储单元进行控制，包括对神经网络计算过程、待处理信号的读取过程、卷积特征的存储读取过程和网络权重的读取过程进行控制。
网络权重存储单元用于存储神经网络各层的权重数据。
卷积特征存储单元用于存储卷积和全连接层计算完成后特征图的数据。
信号数据存储单元用于输入的待处理信号的存储。
人工特征存储单元用于存储计算得到的人工特征。
人工特征计算单元用于使用预先设定的人工特征提取算法对从信号数据存储单元取得的待处理信号进行人工特征提取，人工特征算法为现有的时频域特征、频域特征或小波变换域特征提取算法。
唤醒计算单元用于从人工特征中计算出分类结果，其数据从人工特征存储单元取得，唤醒计算单元还包含了一部分的控制功能，电路会根据唤醒计算单元的输出来决定是否开启神经网络单元或者是否开启信号数据存储单元与神经网络计算单元之间的数据通道以及电路的分类结果是神经网络计算结果还是唤醒计算单元计算结果。
神经网络计算单元由乘加计算单元、池化计算单元和激活运算单元组成，用于完成卷积层运算或全连接层运算中的特征图数据与权重数据的乘累加计算、池化层的池化运算和激活层的激活函数运算，所需数据分别从网络权重数据存储单元、人工特征存储单元、信号数据存储单元和卷积特征存储单元取得。
本发明所提出的唤醒机制核心思想为利用一个复杂度较低的唤醒分类器作为前级分类器，用于大部分样本的分类，只有当唤醒分类器发现疑似分结果2的样本时才唤醒混合特征神经网络分类器，得到准确的分类结果。
本发明所提出的混合特征神经网络核心思想为通过结合卷积神经网络学习到的特征和人为经验提取的对分类有效的人工特征信息，在保证分类准确度的前提下尽可能降低计算参数。该混合特征神经网络由人工特征提取器、卷积特征提取器和神经网络分类器三部分组成。若根据唤醒机制的结果，混合特征神经网络需要被唤醒，则首先通过卷积特征提取器，通过输入样本和权重计算出卷积特征图，然后复用唤醒分类器中计算出的人工特征结果，将人工特征与卷积特征进行拼接，然后送入神经网络分类器进行全连接层的计算，最后经过激活函数得到分类结果。
通过将神经网络自动提取的卷积特征和人工特征混合输入到分类器中，在不增加太多计算复杂度的同时，提高了信号分类的准确率，通过设计两级级联分类器，多数样本采用前级的低计算复杂度分类器，在适当的时候唤醒后级的高精度神经网络分类器完成进一步分类的方法，降低了整体处理功耗。通过上述方案得到的高准确率且低功耗的神经网络信号处理方式相比于云端互联的方式，其不需要数据网络通信，有着更快的分类速度和更好的用户隐私保密性，能够适用于搭载在便携式设备上的场景。
Claims (6)
1.一种具备唤醒机制的混合特征神经网络信号处理硬件电路，其特征在于，包括：人工特征提取模块、唤醒分类器和神经网络分类器；
人工特征提取模块用于对输入的待处理信号提取出人工特征，将人工特征输出至唤醒分类器；
唤醒分类器用于根据输入的人工特征进行二分类处理输出二分类结果；所述二分类结果为高概率分类结果和低概率分类结果；唤醒分类器采用偏向性训练方式使得输出的分类结果更偏向低概率分类结果；当二分类结果为高概率分类结果时，将高概率分类结果作为待处理信号的分类结果输出；当二分类结果为低概率分类结果时，则触发神经网络分类器，并控制人工特征提取模块输出人工特征至神经网络分类器；
神经网络分类器用于对输入的待处理信号提取出卷积特征，再将卷积特征与输入的人工特征进行融合得到混合特征，最后利用混合特征完成高精度分类，将高精度分类结果作为待处理信号的分类结果输出；
所述人工特征提取模块包括人工特征计算单元与人工特征存储单元；
所述唤醒分类器包括唤醒模块控制单元与唤醒计算单元；
所述神经网络分类器包括卷积特征存储单元、网络权重存储单元、神经网络计算单元和神经网络控制单元；
唤醒模块控制单元和神经网络控制单元均接收总体状态控制单元的控制信号，从而完成总体状态控制单元对唤醒分类器和神经网络分类器的工作状态控制；
唤醒模块控制单元通过对人工特征计算单元、唤醒计算单元和人工特征存储单元、信号数据存储单元发送控制信号，从而完成对人工特征计算过程、唤醒计算过程、待处理信号的读取过程和人工特征的存储与读取过程的控制；
神经网络控制单元通过对神经网络计算单元、信号数据存储单元、卷积特征存储单元和网络权重存储单元发送控制信号，从而完成对神经网络计算过程、待处理信号的读取过程、卷积特征的存储与读取过程和网络权重的读取过程的控制；
网络权重存储单元用于存储神经网络各层的权重数据；
卷积特征存储单元用于存储卷积层和全连接层计算完成后特征图的数据；
信号数据存储单元用于输入的待处理信号的存储；
人工特征存储单元用于存储计算得到的人工特征；
人工特征计算单元用于使用预先设定的人工特征提取算法对从信号数据存储单元取得的待处理信号进行人工特征提取；
唤醒计算单元用于从人工特征存储单元取得的人工特征中计算出分类结果，其数据，根据计算出分类结果来决定是否最终分类结果是神经网络输出的分类结果还是唤醒计算单元输出的分类结果；
神经网络计算单元用于通过卷积层运算和全连接层运算中的特征图数据与权重数据的乘累加计算、池化层的池化运算和激活层的激活函数运算得到分类结果，所需数据分别从网络权重数据存储单元、人工特征存储单元、信号数据存储单元和卷积特征存储单元取得。
2.如权利要求1所述硬件电路，其特征在于，所述高精度分类结果为高概率分类结果和低概率分类结果两种。
3.如权利要求1所述硬件电路，其特征在于，所述高精度分类结果为高概率分类结果以及两种以上的不同种类的低概率分类结果。
4.如权利要求1所述硬件电路，其特征在于，所述人工特征为时频域特征、频域特征或小波变换域特征。
5.如权利要求1所述硬件电路，其特征在于，还包括总体状态控制单元，总体状态控制单元用于每接收到输出的待处理信号的分类结果后，暂停神经网络分类器，开启唤醒分类器；
当二分类结果为低概率分类结果时，唤醒分类器通过总体状态控制单元触发神经网络分类器。
6.如权利要求1所述硬件电路，其特征在于，还包括信号数据存储单元，信号数据存储单元用于缓存输入的待处理信号；受唤醒分类器和神经网络分类器控制，向人工特征提取模块和神经网络分类器发送输入的待处理信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410291020.2A CN117892224B (zh) | 2024-03-14 | 2024-03-14 | 一种具备唤醒机制的混合特征神经网络信号处理硬件电路 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410291020.2A CN117892224B (zh) | 2024-03-14 | 2024-03-14 | 一种具备唤醒机制的混合特征神经网络信号处理硬件电路 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117892224A CN117892224A (zh) | 2024-04-16 |
| CN117892224B true CN117892224B (zh) | 2024-05-31 |
Family
ID=90649228
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410291020.2A Active CN117892224B (zh) | 2024-03-14 | 2024-03-14 | 一种具备唤醒机制的混合特征神经网络信号处理硬件电路 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117892224B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111583940A (zh) * | 2020-04-20 | 2020-08-25 | 东南大学 | 极低功耗关键词唤醒神经网络电路 |
| CN111598101A (zh) * | 2020-05-25 | 2020-08-28 | 中国测绘科学研究院 | 基于遥感影像场景分割的城区智能提取方法、系统及设备 |
| CN112819604A (zh) * | 2021-01-19 | 2021-05-18 | 浙江省农村信用社联合社 | 基于融合神经网络特征挖掘的个人信用评估方法与系统 |
| CN114818837A (zh) * | 2022-06-29 | 2022-07-29 | 电子科技大学 | 基于多级神经网络和分块计算的脑电信号智能处理电路 |
| CN114997370A (zh) * | 2022-06-06 | 2022-09-02 | 上海交通大学 | 基于预测退出的低功耗神经网络系统及其实现方法 |
| CN115062685A (zh) * | 2022-04-29 | 2022-09-16 | 北京邮电大学深圳研究院 | 一种故障诊断方法、装置、电子设备及存储介质 |
| CN116699703A (zh) * | 2023-05-30 | 2023-09-05 | 吉林大学 | 一种基于卷积神经网络的海底电磁采集站唤醒方法 |
| CN116702852A (zh) * | 2023-08-02 | 2023-09-05 | 电子科技大学 | 基于多阶段事件驱动的动态重构神经网络加速电路及系统 |
| WO2023167607A1 (en) * | 2022-03-04 | 2023-09-07 | PolyN Technology Limited | Systems and methods for human activity recognition |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11537840B2 (en) * | 2017-11-15 | 2022-12-27 | Stmicroelectronics S.R.L. | Method, system, and computer program product to employ a multi-layered neural network for classification |
| US20220413590A1 (en) * | 2021-06-23 | 2022-12-29 | Maxim Integrated Products, Inc. | Systems and methods for reducing power consumption in compute circuits |
-
2024
- 2024-03-14 CN CN202410291020.2A patent/CN117892224B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111583940A (zh) * | 2020-04-20 | 2020-08-25 | 东南大学 | 极低功耗关键词唤醒神经网络电路 |
| CN111598101A (zh) * | 2020-05-25 | 2020-08-28 | 中国测绘科学研究院 | 基于遥感影像场景分割的城区智能提取方法、系统及设备 |
| CN112819604A (zh) * | 2021-01-19 | 2021-05-18 | 浙江省农村信用社联合社 | 基于融合神经网络特征挖掘的个人信用评估方法与系统 |
| WO2023167607A1 (en) * | 2022-03-04 | 2023-09-07 | PolyN Technology Limited | Systems and methods for human activity recognition |
| CN115062685A (zh) * | 2022-04-29 | 2022-09-16 | 北京邮电大学深圳研究院 | 一种故障诊断方法、装置、电子设备及存储介质 |
| CN114997370A (zh) * | 2022-06-06 | 2022-09-02 | 上海交通大学 | 基于预测退出的低功耗神经网络系统及其实现方法 |
| CN114818837A (zh) * | 2022-06-29 | 2022-07-29 | 电子科技大学 | 基于多级神经网络和分块计算的脑电信号智能处理电路 |
| CN116699703A (zh) * | 2023-05-30 | 2023-09-05 | 吉林大学 | 一种基于卷积神经网络的海底电磁采集站唤醒方法 |
| CN116702852A (zh) * | 2023-08-02 | 2023-09-05 | 电子科技大学 | 基于多阶段事件驱动的动态重构神经网络加速电路及系统 |
Non-Patent Citations (4)
| Title |
|---|
| An Ultra-Low Power Reconfigurable Biomedical AI Processor With Adaptive Learning for Versatile Wearable Intelligent Health Monitoring;Jiahao Liu等;《IEEE TRANSACTIONS ON BIOMEDICAL CIRCUITS AND SYSTEMS》;20230516;第17卷(第05期);952-967 * |
| ECG Arrhythmia Classification on an Ultra-Low-Power Microcontroller;《IEEE TRANSACTIONS ON BIOMEDICAL CIRCUITS AND SYSTEMS》;20220613;第16卷(第03期);456-466 * |
| 基于神经网络的低功耗智能癫痫检测硬件设计;周勇;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;20230115(第2023（01）期);C030-208, 正文2.3节, 2.3.1节, 3.2.1节1-2段, 4.1节, 4.4.1节 * |
| 基于脑电信号的高准确率低复杂度癫痫检测算法研究;钟子睿;《万方数据库》;20231002;1-76 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117892224A (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US12026977B2 (en) | Model training method and apparatus, face recognition method and apparatus, device, and storage medium | |
| CN110288978B (zh) | 一种语音识别模型训练方法及装置 | |
| US20240275805A1 (en) | Cognitive neuro-linguistic behavior recognition system for multi-sensor data fusion | |
| US11379711B2 (en) | Video action detection method based on convolutional neural network | |
| CN111797288B (zh) | 数据筛选方法、装置、存储介质及电子设备 | |
| CN112990390B (zh) | 一种图像识别模型的训练方法、图像识别的方法及装置 | |
| CN109473119B (zh) | 一种声学目标事件监控方法 | |
| CN111741133A (zh) | 一种云边端协同的气象智能预警系统 | |
| CN114550053A (zh) | 一种交通事故定责方法、装置、计算机设备及存储介质 | |
| CN114936330A (zh) | 一种车辆行驶场景中信息推送的方法以及相关装置 | |
| CN116935188B (zh) | 模型训练方法、图像识别方法、装置、设备及介质 | |
| CN112418302A (zh) | 一种任务预测方法及装置 | |
| CN112650885A (zh) | 视频分类方法、装置、设备和介质 | |
| CN111612178A (zh) | 一种模型的诊断方法及相关设备 | |
| Liang et al. | Fall detection system based on millimeter wave radar and machine learning | |
| CN117892224B (zh) | 一种具备唤醒机制的混合特征神经网络信号处理硬件电路 | |
| CN117437467A (zh) | 模型训练方法、装置、电子设备及存储介质 | |
| CN116051961A (zh) | 一种目标检测模型训练方法、目标检测方法、设备及介质 | |
| CN115294648A (zh) | 一种人机手势交互方法、装置、移动终端及存储介质 | |
| CN114119972A (zh) | 模型获取及对象处理方法、装置、电子设备及存储介质 | |
| Mao | Real-time small-size pixel target perception algorithm based on embedded system for smart city | |
| CN117011649B (zh) | 一种模型训练方法和相关装置 | |
| CN116010816B (zh) | 基于大感受野的lrf大核注意力卷积网络活动识别方法 | |
| CN114970654B (zh) | 数据处理方法、装置和终端 | |
| CN118094233B (zh) | 内容处理模型集成方法以及相关设备 |
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 |