[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN113539472B - 生物信号处理器 - Google Patents

生物信号处理器 Download PDF

Info

Publication number
CN113539472B
CN113539472B CN202110356727.3A CN202110356727A CN113539472B CN 113539472 B CN113539472 B CN 113539472B CN 202110356727 A CN202110356727 A CN 202110356727A CN 113539472 B CN113539472 B CN 113539472B
Authority
CN
China
Prior art keywords
neural network
reconfigurable
preset
signal processor
precision
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
CN202110356727.3A
Other languages
English (en)
Other versions
CN113539472A (zh
Inventor
杨杰
默罕默德·萨万
赵仕琪
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.)
Westlake University
Original Assignee
Westlake 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 Westlake University filed Critical Westlake University
Priority to CN202110356727.3A priority Critical patent/CN113539472B/zh
Publication of CN113539472A publication Critical patent/CN113539472A/zh
Application granted granted Critical
Publication of CN113539472B publication Critical patent/CN113539472B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Neurology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明实施方式涉及半导体集成电路以及计算机技术领域，公开了一种生物信号处理器，包括：可重构核心阵列、信号接口和控制器；所述信号接口用于接收生物电信号；所述控制器用于选通所述可重构核心阵列中第一预设比例的可重构核心，运行低功耗神经网络对所述生物电信号进行监测，在根据所述生物电信号监测到预设结果出现的概率大于预设阈值时，选通所述可重构核心阵列中第二预设比例的可重构核心，运行高精度神经网络对所述生物电信号进行检测，其中，第一预设比例小于所述第二预设比例。本发明实施方式提供的生物信号处理器，可直接应用于癫痫患者，实现对癫痫的及时检测。

Description

生物信号处理器
技术领域
本发明涉及半导体集成电路及计算机技术领域，特别涉及一种生物信号处理器。
背景技术
癫痫是一种常见的脑部疾病，全球约1％的人口受到该疾病的影响而无法正常生活。当癫痫发作时，癫痫患者出现意识不清、运动障碍、植物神经和精神紊乱，需要及时进行有效救治；若处理不当或处理手段不当，常危及癫痫患者生命，因此，需要对癫痫发作进行及时诊断、事先干预以及积极治疗。
图1(a)是癫痫诊治示意图，图1(b)示出了癫痫发作过程神经信号的示意图。从图1(b)中可以看出，癫痫发作时一般分为三个阶段：发作之间(从正常即将转为发作)、发作之前和发作。虽然可以通过对发作队段进行检测来判断是否发生癫痫，但这样检测具有严重的滞后性，无法做到防患于未然。虽然可以使用神经网络来预测癫痫以做到防患于未然，但是神经网络的参数量巨大且计算复杂，使得预测设备的功耗较高，而癫痫发作的概率很低，需要预测设备保持长时间的监测，即需要预测设备长时间保持在一个较低的功耗，才能使得预测设备直接应用于癫痫患者。
发明内容
本发明实施方式的目的在于提供一种生物信号处理器，可以直接应用于癫痫患者，实现对癫痫的及时检测。
为解决上述技术问题，本发明的实施方式提供了一种生物信号处理器，包括：可重构核心阵列、信号接口和控制器；所述信号接口用于接收生物电信号；所述控制器用于选通所述可重构核心阵列中第一预设比例的可重构核心，运行低功耗神经网络对所述生物电信号进行监测，在根据所述生物电信号监测到预设结果出现的概率大于预设阈值时，选通所述可重构核心阵列中第二预设比例的可重构核心，运行高精度神经网络对所述生物电信号进行检测，其中，第一预设比例小于所述第二预设比例。
本发明实施方式相对于相关技术而言，本发明实施方式提供的生物信号处理器，通过在监测时选通第一预设比例(较少)的可重构核心运行低功耗神经网络对生物电信号进行监测，在根据所述生物电信号监测到预设结果出现的概率大于预设阈值时，选通第二预设比例(较多)的可重构核心运行高精度神经网络对生物电信号进行检测。由于低功耗神经网络运行时生物信号处理器可以处于功耗较低的模式，从而可以实现对癫痫长时间的监测；在根据生物电信号监测癫痫(预设结果)出现的概率大于预设阈值时，使用高精度神经网络对癫痫进行预测，可以排除误报，提高预测精度；且由于高精度神经网络只有在监测到可能发生癫痫时才运行，因此生物信号处理器的平均功耗可以维持在一个较低水平，从而使生物信号处理器可以直接应用于癫痫患者，实现对癫痫的及时检测。
另外，所述可重构核心阵列中每一可重构核心包括若干个一维或二维排列的可重构处理单元。
另外，所述可重构处理单元包括两个N比特ALU、若干个多路选择器和寄存器。
另外，所述控制器还用于通过所述多路选择器对所述可重构处理单元进行不同个数的选通。通过选通多路选择器，可以选通不同个数的可重构处理单元，从而可以根据实际需要实现不同算力的需求。
另外，相邻所述可重构处理单元可组合为4N位宽的ALU，以实现不同数据位宽的乘法和累加。
另外，所述控制器还用于将N比特位宽乘数和M比特位宽被乘数的乘法通过布斯编码的方式转化为N/2个的M+1位数的加法累加，其中，所述N和所述M均为正整数。通过将布斯编码的方式，可以将乘法转换为加法累加，进而通过ALU实现不同神经网络所需要的运算，不需要另外设计其它电路，可以有效地降低生物信号处理器的芯片面积。
另外，生物信号处理器还包括程序数据存储器，所述程序数据存储器用于存储所述低功耗神经网络和所述高精度神经网络，所述控制器还用于从所述程序数据存储器获取所述低功耗神经网络或所述高精度神经网络后在所述可重构核心阵列中运行。
另外，每一可重构核心通过流水线的工作模式运行所述高精度神经网络。由于流水线的工作模式可以将多个计算结果的输出分摊至数个周期，而不是在一个周期内出现，因此可以降低生物信号处理器中对于存储器带宽的要求。
另外，在训练所述高精度神经网络时，将参与计算频率低于预设频率的参数去除。通过将参考计算频率低于预设频率的参数去除，可以进一步降低高精度神经网络的参数量和计算量，从而进一步降低处理器100的功耗。
另外，所述低功耗神经网络为二值神经网络或脉冲神经网络，所述高精度神经网络为卷积神经网络。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定。
图1(a)是癫痫诊治示意图；
图1(b)是癫痫发作过程神经信号的示意图；
图2是本发明实施方式提供的生物信号处理器的架构示意图；
图3是本发明实施方式提供的生物信号处理器的另一架构示意图；
图4是本发明实施方式提供的生物信号处理器的结构示例图；
图5是本发明实施方式提供的生物信号处理器涉及的二值神经网络、脉冲神经网络和卷积神经网络的不同神经元特点以及卷积参数压缩的示意图；
图6(a)是本发明实施方式提供的生物信号处理器中可重构处理单元在处理乘法、累加时的数据通路示意图；
图6(b)是本发明实施方式提供的生物信号处理器中可重构处理单元在处理脉冲积分和二值计算时的数据通路示意图；
图7(a)是本发明实施方式提供的生物信号处理器处理乘法的示例图；
图7(b)是本发明实施方式提供的生物信号处理器处理脉冲积分的示例图；
图7(c)是本发明实施方式提供的生物信号处理器处理异或与“1”累加的示例图；
图7(d)是本发明实施方式提供的生物信号处理器以流水线技术处理矩阵乘法的示例图；
图8(a)是本发明实施方式提供的生物信号处理器在运行不同神经网络的架构示例图；
图8(b)是本发明实施方式提供的生物信号处理器在运行不同神经网络的功耗变化示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。
本发明实施方式涉及一种生物信号处理器100，如图2所示，包括信号接口101、控制器102和可重构核心(Reconfigurable Core，简称RC)阵列103，其中，可重构核心阵列103中包括若干可重构核心。
信号接口101用于接收生物电信号，其中，生物电信号例如是心电、脑电、肌电、胃电或视网膜电等，当生物信号处理器100应用于癫痫场景时，生物电信号是指脑部的电信号(即脑电)。可选地，信号接口101可以通过植入或穿戴的方式接收生物电信号。
控制器102用于选通可重构核心阵列103中第一预设比例的可重构核心，运行低功耗神经网络对生物电信号进行监测，在根据所述生物电信号监测到预设结果出现的概率大于预设阈值时，选通可重构核心阵列103中第二预设比例的可重构核心，运行高精度神经网络对生物电信号进行检测，其中，第一预设比例小于第二预设比例。
可选地，预设结果和预设阈值可以根据不同种类的生物电信号和/或不同种类的疾病进行设置，此处不做具体限制。例如，在生物信号处理器100应用于癫痫场景时，预设结果为癫痫，而预设阈值可以是0.6，则生物信号处理器100是在根据脑电监测到癫痫出现的概率大于0.6时运行高精度神经网络对生物电信号进行检测，以进一步确认癫痫这一预设结果出现的概率。
第一预设比例与第二预设比例可以根据实际需要进行设置。可选地，第一预设比例可以根据运行的低功耗神经网络所需的实际算力进行设置，使得当选通第一预设比例的可重构核心时的算力大于或等于运行低功耗神经网络所需的实际算力；同理，第二预设比例可以根据运行的高精度神经网络所需的实际算力进行设置，使得当选通第二预设比例时的算力大于或等于运行高精度神经网络所需的实际算力。可选地，第二预设比例为100％，可重构核心阵列103的最大算力刚好与高精度神经网络所需的实际算力相等，这样可以避免算力的浪费，也有利于减小生物信号处理器100的芯片面积。可选地，低功耗神经网络和高精度神经网络存储于生物信号处理器100中，由于低功耗神经网络和高精度神经网络是预先设置于生物信号处理器100中的，低功耗神经网络和高精度神经网络实际所需的算力是已知的，因此第一预设比例和第二预设比例可根据运行的神经网络实际所需的算力而预先设置。
在一个具体的例子中，请参考图3，其为本发明实施方式提供的生物信号处理器100的另一架构示意图，生物信号处理器100还包括程序数据存储器104，程序数据存储器104用于存储上述低功耗神经网络和高精度神经网络，而控制器102还用于从程序数据存储器104中获取低功耗神经网络或高精度神经网络后在可重构核心阵列103中运行。可选地，在运行低功耗神经网络或高精度神经网络时，可重构核心阵列103的计算结果存储至程序数据存储器104中。
可选地，低功耗神经网络为二值神经网络或脉冲神经网络，高精度神经网络为卷积神经网络。由于二值神经网络或脉冲神经网络所需的算力较少，因此在生物信号处理器100中运行时，可以使生物信号处理器100保持在低功耗状态，从而保证长时间的监测。在应用到癫痫场景中，由于癫痫的发作的概率很低，因此需要生物信号处理器100长时间处于监测状态，而二值神经网络或脉冲神经网络可以使生物信号处理器100保持工作在低功耗状态，从而保证生物信号处理器100长时间处于监测状态。不过，二值神经网络或脉冲神经网络的检测精度会有所欠缺，若单纯采用二值神经网络或脉冲神经网络，可以出现误报的情况，因此在根据生物电信号监测到癫痫(预设结果)出现大于预设阈值时，切换至高精度神经网络对生物电信号进行检测，可以排除癫痫是否出现(发作)误报，得到精确的检测结果。由于卷积神经网络的精度较高，因此运行卷积神经网络对生物电信号进行检测，可以避免误报，得到精确的检测结果。
应当理解的是，低功耗神经网络并不限于二值神经网络或脉冲神经网络，也可以包括其它可运行在低功耗的神经网络；而高精度神经网络也并不限于卷积神经网络，也可以包括其它可实现高精度检测的神经网络。
可选地，可重构核心阵列103中每一可重构核心包括若干个一维排列的可重构处理单元(Reconfigurable Processing Element，简称RPE)。请参考图4，其为本发明实施方式提供的生物信号处理器100的结构示例图。如图4所示，图中的神经信号接口即为信号接口101，而图中的系统微控制器即为控制器102，图中的RC阵列即为可重构核心阵列103，其中，可重构核心阵列103包括被选通(或者时钟门控)的可重构处理单元(即图中的ActiveRCs)和未选通的可重构处理单元(即图中的Inactive RCs)，而每一可重构核心则包括若干个一维或二维排列的可重构处理单元(RPE)。可选地，每一可重构核心通过流水线的工作模式运行高精度神经网络。与单指令多数据(SIMD)模式进行计算相比，流水线的工作模式可以将多个计算结果的输出分摊至数个周期，而不是在一个周期内出现，因此可以降低生物信号处理器100中对于存储器带宽的要求；而通过保持乘数或者权值不变，可固定控制逻辑和流水管线，达到进一步降低功耗的目的。
可选地，在训练高精度神经网络时，可以将参考计算频率低于预设频率的参数去除。其中，预设频率可以根据实际需要进行设置。通过将参考计算频率低于预设频率的参数去除，可以进一步降低高精度神经网络的参数量和计算量，从而进一步降低生物信号处理器100的功耗。请参考图5，其为本发明实施方式提供的生物信号处理器100涉及的二值神经网络、脉冲神经网络和卷积神经网络的不同神经元特点以及卷积参数压缩的示意图。具体地，二值神经网络和脉冲神经网络具有计算简单参数量少的特点，具备低功耗实现的可能性，二值神经元模型通过将权重和输入特征二值化，二值神经网络的神经元只有异或和累加运算，激活部分可以采用比较器实现；脉冲神经网络的脉冲神经元同样不需要乘法器，它主要通过与运算和权值累加来实现脉冲积分，在限定时间窗和衰减的情况下，只需要加法器即可得以实现；而卷积神经网络可以对每一卷积层进行优化，使用低精度的参数来代替原始参数。
可选地，可重构处理单元包括两个N比特ALU(Arithmetic logic unit，算术逻辑单元)、若干个多路选择器和寄存器。可选地，控制102还用于通过所述多路选择器对可重构处理单元进行不同个数的选通。通过选通多路选择器，可以选通不同个数的可重构处理单元，从而可以根据实际需要实现不同算力的需求。
请参考图6(a)和图6(b)，其展示了可重构处理单元的几种模块，其中，图6(a)展示的为进行乘法和累加时，部分乘积和以及被乘数在可重构单元的阵列中流动，并由最后一个可重构单元对所有乘积和进行累加，最终完成乘法累加运算；而图6(b)则展示的为利用可重构处理单元进行脉冲积分和二值运算的数据通路，卷积参数将首先被存储在流水线寄存器中，当输入脉冲时，ALU进行累加，并传递至下一可重构处理单元中，最后得到积分和；当输入为二值时，RPE则移出低位并根据其值进行条件累加。
可选地，相邻可重构处理单元可组合为4N位宽的ALU，以实现不同数据位宽的乘法和累加。可选地，4N位宽的ALU还可以进一步组合为8N位宽的ALU。
应当说明的是，可以采用ALU和流水线的工作模式分别对乘法里的乘数和被乘数转换为加法累加，从而可以实现任意位宽的乘法转换为加法累加。
可选地，控制器102还用于将N比特位宽和M比特位宽被乘数的乘法通过布斯编码的方式转化为N/2个的M+1位数的加法累加，其中，N和M均为正整数。
应当理解的是，由于生物信号处理器100需要在不同的情况下运行不同的神经网络模型，而不同的神经网络模型需要进行不同位宽的乘法、异或和累加等运算，如果对这些运算分别设计不同的电路，势必会导致生物信号处理器100系统的面积增加，本发明实施方式中，通过布斯编码将乘法转换为加法累加，利用ALU或流水线的方式将乘法转换为加法累加，再加上ALU本身可执行异或等运算，就可以在同一个电路的基础上进行不同的神经网络模型所需的各种运算，从而降低生物信号处理器100所需的芯片面积，有利于实现生物信号处理器100的小型化，提高生物信号处理器100的便携性，还可以更进一步地植入到人体中，实现不同的生物电信号的检测需要。
请参考图7(a)，其是将N比特位宽和M比特位宽被乘数的乘法通过布斯编码的方式转化为N/2个的M+1位数的加法累加，在图7(a)中，N＝8，M＝8；而图7(b)中，将脉冲信号当作流水线中每一级的控制信号，即可实现权重的累加；图7(c)中，二值神经网络中异或运算可以直接由可重构处理单元完成，然后通过移位累加的方式，计算结果中“1”的个数；而图7(d)中展示了通过流水线处理矩阵乘法的计算过程。其中，图7(d)所展示的流水线处理的方式是图7(a)所示过程的一种具体化方式。
下面以癫痫场景为例对生物信号处理器100进行示例说明，其中低功耗神经网络以二值神经网络或脉冲神经网络，高精度神经网络以卷积神经网络为例。请参考图8(a)，其为本发明实施方式中生物信号处理器100在运行不同神经网络的架构，从图中可以看出，二值神经网络和脉冲神经网络的功耗较低，但精度也较低，而卷积神经网络的功耗较高，但精度也较高，因此，可以运用二值神经网络或脉冲神经网络对脑电(生物电信号)进行检测，可以使生物信号处理器100长时间处于低功耗的监测状态，在根据脑电监测到癫痫出现(发作)的概率大于预设阈值时，再运行功耗较高但精度也较高的卷积神经网络来确认是否真的发生癫痫，在确认发生癫痫时及时采取适当的处理措施，实现癫痫的有效预测，做到防患于未然。图8(b)展示了生物信号处理器100在运行不同的神经网络时的功耗变化，从图中可以看出，在发作之间的虚警处的部分(相当于癫痫出现的概率大于预设阈值)和发作前阶段的部分，生物信号处理器100处于高功耗的情况，其余时间均处于低功耗的情况；而由于癫痫发作的概率很小，因此图中运行卷积神经网络处于高功耗出现的概率是非常小的，生物信号处理器100大部分时间运行在低功耗状态，从而对癫痫实现长时间的监测；而在检测到癫痫出现的概率大于预设阈值时，又可以运行高精度的卷积神经网络进行检测，在实现低功耗的同时也兼顾了高可靠性。
本发明实施方式提供的生物信号处理器100，通过在监测时选通第一预设比例(较少)的可重构核心运行低功耗神经网络对生物电信号进行监测，在根据生物电信号监测到癫痫(预设结果)出现的概率大于预设阈值时，选通第二预设比例(较多)的可重构核心运行高精度神经网络对生物电信号进行检测。由于低功耗神经网络运行时生物信号处理器100可以处于功耗较低的模式，从而可以实现对癫痫长时间的监测；在根据生物电信号监测到癫痫(预设结果)出现的概率大于预设阈值时，使用高精度神经网络对癫痫进行预测，可以排除误报，提高预测精度；且由于高精度神经网络只有在监测到可能发生癫痫时才运行，因此生物信号处理器100的平均功耗可以维持在一个较低水平，从而使生物信号处理器100可以直接应用于癫痫患者，实现对癫痫的及时检测。
值得一提的是，本实施方式中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本发明的创新部分，本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，但这并不表明本实施方式中不存在其它的单元。
本领域的普通技术人员可以理解，上述各实施方式是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。

Claims (7)

1.一种生物信号处理器，其特征在于，包括：可重构核心阵列、信号接口和控制器；
所述信号接口用于接收生物电信号；
所述控制器用于选通所述可重构核心阵列中第一预设比例的可重构核心，运行低功耗神经网络对所述生物电信号进行监测，在根据所述生物电信号监测到预设结果出现的概率大于预设阈值时，选通所述可重构核心阵列中第二预设比例的可重构核心，运行高精度神经网络对所述生物电信号进行检测，其中，第一预设比例小于所述第二预设比例；
所述低功耗神经网络为二值神经网络或脉冲神经网络，所述高精度神经网络为卷积神经网络；
所述可重构核心阵列中每一可重构核心包括若干个一维或二维排列的可重构处理单元；所述可重构处理单元包括两个N比特ALU、若干个多路选择器和寄存器。
2.根据权利要求1所述的生物信号处理器，其特征在于，所述控制器还用于通过所述多路选择器对所述可重构处理单元进行不同个数的选通。
3.根据权利要求1所述的生物信号处理器，其特征在于，相邻所述可重构处理单元可组合为4N位宽的ALU，以实现不同数据位宽的乘法和累加。
4.根据权利要求1-3任一项所述的生物信号处理器，其特征在于，所述控制器还用于将N比特位宽乘数和M比特位宽被乘数的乘法通过布斯编码的方式转化为N/2个的M+1位数的加法累加，其中，所述N和所述M均为正整数。
5.根据权利要求1-3任一项所述的生物信号处理器，其特征在于，还包括程序数据存储器，所述程序数据存储器用于存储所述低功耗神经网络和所述高精度神经网络，所述控制器还用于从所述程序数据存储器获取所述低功耗神经网络或所述高精度神经网络后在所述可重构核心阵列中运行。
6.根据权利要求4所述的生物信号处理器，其特征在于，每一可重构核心通过流水线的工作模式运行所述高精度神经网络。
7.根据权利要求1所述的生物信号处理器，其特征在于，在训练所述高精度神经网络时，将参与计算频率低于预设频率的参数去除。
CN202110356727.3A 2021-04-01 2021-04-01 生物信号处理器 Active CN113539472B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110356727.3A CN113539472B (zh) 2021-04-01 2021-04-01 生物信号处理器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110356727.3A CN113539472B (zh) 2021-04-01 2021-04-01 生物信号处理器

Publications (2)

Publication Number Publication Date
CN113539472A CN113539472A (zh) 2021-10-22
CN113539472B true CN113539472B (zh) 2024-07-12

Family

ID=78094386

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110356727.3A Active CN113539472B (zh) 2021-04-01 2021-04-01 生物信号处理器

Country Status (1)

Country Link
CN (1) CN113539472B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117898682B (zh) * 2024-03-19 2024-05-17 四川大学华西医院 基于胃肠电信号的癫痫预测系统及构建方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103646219B (zh) * 2013-11-29 2016-03-30 东南大学 基于神经网络功耗预测的功耗补偿抗攻击电路及控制方法
GB2537809B (en) * 2015-03-12 2021-03-03 Cambridge temperature concepts ltd Monitoring vital signs
US20180064401A1 (en) * 2016-09-08 2018-03-08 Smart Monitor Corp Reconfigurable point-of-event push diagnostic system and method
KR102445743B1 (ko) * 2019-08-01 2022-09-20 포항공과대학교 산학협력단 하드웨어 뉴럴 네트워크 기반의 높은 정확도를 가진 심전도 부정맥 감지 시스템
CN110477865A (zh) * 2019-08-14 2019-11-22 深圳先进技术研究院 一种癫痫发作检测装置、终端设备及存储介质
CN110448273B (zh) * 2019-08-29 2021-03-30 江南大学 一种基于支持向量机的低功耗癫痫预测电路

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Junzhe Wang ; 等.An Event-driven Neural Signal Processor for Closed-loop Seizure Prediction.IEEE Biomedical Circuits and Systems Conference .2023,第1-5页. *

Also Published As

Publication number Publication date
CN113539472A (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
Sivapalan et al. ANNet: A lightweight neural network for ECG anomaly detection in IoT edge sensors
Liu et al. Alzheimer's disease detection using depthwise separable convolutional neural networks
Gu et al. A lightweight convolutional neural network hardware implementation for wearable heart rate anomaly detection
Zhao et al. Patient-specific seizure prediction via adder network and supervised contrastive learning
Lee et al. RISC-V CNN coprocessor for real-time epilepsy detection in wearable application
Shen et al. A physiology-based seizure detection system for multichannel EEG
Adam et al. A selective mitigation technique of soft errors for dnn models used in healthcare applications: Densenet201 case study
EP3987446B1 (en) An event-driven spiking neutral network system for detection of physiological conditions
CN113539472B (zh) 生物信号处理器
Padmavathy et al. Partial product addition in Vedic design-ripple carry adder design fir filter architecture for electro cardiogram (ECG) signal de-noising application
Sommer et al. Efficient hardware acceleration of sparsely active convolutional spiking neural networks
Marni et al. A real-time wearable FPGA-based seizure detection processor using MCMC
Murali et al. An efficient adaptive filter architecture for improving the seizure detection in EEG signal
Lopes et al. Evaluation of CGRA architecture for real-time processing of biological signals on wearable devices
Soujanya et al. Hardware characterization of integer-net based seizure detection models on fpga
Zhou et al. Field-programmable gate array implementation of a probabilistic neural network for motor cortical decoding in rats
US20130080808A1 (en) Biomedical device for comprehensive and adaptive data-driven patient monitoring
Hu et al. Energy Efficient Software-Hardware Co-Design of Quantized Recurrent Convolutional Neural Network for Continuous Cardiac Monitoring
Wang et al. FPGA implementation of hardware processing modules as coprocessors in brain-machine interfaces
Hassan et al. An Optimized Hardware Inference of SABiNN: Shift-Accumulate Binarized Neural Network for Sleep Apnea Detection
Taufique et al. Approximate feature extraction for low power epileptic seizure prediction in wearable devices
Xing et al. A 10.8 nJ/detection ECG processor based on DWT and SVM for real-time arrhythmia detection
Feng et al. Fast automated on‐chip artefact removal of EEG for seizure detection based on ICA‐R algorithm and wavelet denoising
Alam et al. Energy efficient FPGA implementation of an epileptic seizure detection system using a QDA classifier
Sarić et al. Implementation of neural network-based classification approach on embedded 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