关键词:
光学容积脉搏波
心率检测
卷积神经网络
低功耗
摘要:
心率变化与心脏疾病密切相关,是人们在生活和运动中判断身体健康的重要指标,可穿戴智能手表/手环可以方便地在运动中实时的获取心率值。目前可穿戴智能手表主要利用光学容积脉搏波(Photoplethysmography,PPG)采集生理信号并以此计算心率值。然而,人们手臂运动引起的运动伪影(Motion Artifacts,MAs)会影响基于PPG的心率检测的性能。运动伪影通常是由于传感器模块相对于皮肤的运动产生的,运动伪影会导致预测的心率值出现较大的误差,所以在运动过程中获得准确的心率具有重要意义。为了解决以上问题,引入了复杂的除噪算法,但随着检测准确率和鲁棒性的提高,算法复杂度和训练参数也随之增加,显著增大了计算和存储资源的负担,因此,它们难以在低能耗和追求实时性的硬件平台上的部署。考虑到PPG的可穿戴设备应满足用户持续监测的需求,需要对嵌入式进行低功耗的探索,在性能与功耗之间取得良好平衡。基于以上问题,本工作基于PPG进行了高准确率和低功耗的心率检测模块设计,本文的主要工作如下:首先,在算法方面,本文设计了基于单通道PPG的时间卷积神经网络心率检测模型,比传统的信号处理方法准确率更高;并在保证准确率的同时,将网络规模进行了极大化的压缩,以减少参数量和计算量。其次,在硬件方面,本文对基于卷积神经网络的心率检测模型进行了硬件设计,并引入了时钟门控和计算跳零的低功耗优化设计等。通过算法设计与硬件仿真协同研究,降低模块中的冗余计算和数据搬运,从而降低模块功耗。接着,对以上提出的算法和硬件进行了实验和分析,并构建基于FPGA平台的心率监测演示验证系统,对提出的设计进行验证和评估。最后,通过实验和分析发现,基于本文提出的基于PPG的神经网络心率检测算法在Da Li A数据集上达到了5.18 BPM的平均绝对误差。另外,基于Xilinx的Artix7 FPGA平台对本设计进行了资源和功耗分析,本文所设计的硬件模块动态功耗为810μW。仿真结果表明,与现有心率检测算法相比,本文提出的算法在公用数据集的测试中显示出更高的心率检测的准确性,同时满足了可穿戴设备低功耗的要求,实现了高准确率和低功耗的心率检测,满足在可穿戴智能手表与手环中实时心率监测的应用。