论文部分内容阅读
心律不齐是突发性死亡率最高的一类心脏疾病,使用可穿戴设备对心脏状态进行实时监测,对心律不齐的预防有着重要的意义。受限于可穿戴设备的电池供电方式,设备的功耗成为其设计的主要挑战之一。传统可穿戴心脏监护设备需要将采集到的ECG信息通过无线传输技术,上传至远程云端进行处理。在无线传输的过程中造成的巨大能耗,严重限制了设备的续航能力。随着机器学习技术的发展,集成自诊断功能的可穿戴ECG设备开始出现,如何在保证诊断准确率的前提下减小设备的功耗成为新的研究热点。本文提出了一种集成机器学习引擎的心律不齐检测ASIC电路,可在芯片上完成疾病诊断,本文的主要内容和创新点是:1.设计了包含机器学习引擎的心律不齐检测ASIC电路,该电路包括信号预处理部分、特征提取部分和机器学习引擎,可以实现片上的疾病诊断;2.提出了一种基于混合分类器的低功耗架构。该混合分类架构包括极低功耗的线性分类器以及分类能力更强的非线性SVM分类器,其中线性分类器负责从数据集中将特征明显的心跳识别出来,而对于无法识别的心跳,才启用准确率高但是计算功耗大的SVM分类器做进一步分类。本文进一步提出了 一种能够有效反映心跳形态特点的新特征-对称QRS面积比(QAR),此特征结合心跳间隔特征可以提高线性分类器的分类能力和分类准确率;3.提出了低成本SVM学习引擎的实现方法,对SVM学习引擎中涉及的除法器、平方器和e指数运算器进行了优化和深度定制,极大的优化了电路面积。本设计基于SMIC40LL CMOS工艺实现,整个心律不齐检测电路的总面积为0.088mm2,相比于面积优化前减小了 26.7%。在1.1V供电电压、lOKHz工作频率下,线性分类的功耗为1.97μW,SVM分类器的功耗为3.76μW,两个模式下单次心跳分类的能耗分别为6.8nJ和30.3 nJ。基于MIT-BIH数据集,本设计的平均分类准确率为98.2%,相比单个SVM分类器的方案,能耗减低了 41.7%。