[发明专利]一种可穿戴微弱信号的高效能处理方法

说明书

本发明涉及一种可穿戴微弱信号的高效能处理方法，其特征在于包括步骤：一、对数据做种群稀疏；二、对数据做存在稀疏；三、对数据做高分散性处理，确保每种特征有相似统计特性；四、选定模拟混沌系统，并设计物理实现电路；五、将第三步中的稀疏特征数据与第四步中的混沌系统的参数融合为一组数字信号，并借助时序控制，利用电子开关实现数据的输入；六、根据混沌系统的演化结束时间，利用时序控制混沌系统的计算迭代时间；七、对模拟混沌轨迹的输出进行检测，并根据与混沌系统的平衡点处的电压的比较结果来实现数据的分类；八、将输出结果反馈给数字信号处理器以做出决策。本发明解决了因将密集计算任务下沉到可穿戴设备本地带来的计算能耗问题。

技术领域

本发明属于智能可穿戴设备控制领域，具体是涉及一种可穿戴微弱信号的高效能处理方法。

背景技术

智能可穿戴设备作为战略性新兴产业中的一员，被提升到国民经济下一个新的增长引擎的高度,但当前存在着“用户弃用率高、刚性粘度不够”的困境。究其原因，一方面，可穿戴设备面向的是一个多状态、多环境、长时间、用户高度个性化的复杂应用背景，计算任务量巨大；另一方面，基于穿戴舒适性、美观等考虑，可穿戴设备的计算资源严重稀缺。这些因素使得当前可穿戴产品很难触及用户的痛点，沦为鸡肋。

现有可穿戴设备普遍存在着电池容量受限与全天候连续监测需求的矛盾。一方面，由于受制于外观、尺寸的限制，可穿戴设备的电池容量受到制约。另一方面，可穿戴信号往往只有全天候连续监测才能挖掘出对用户有价值的信息。

续航能力是制约智能可穿戴设备的一个重要因素。受制于可穿戴设备外观尺寸和电池技术本身，现有智能可穿戴设备的电池容量偏小，导致不能长时间连续监测用户的生理信息。为此，目前的智能可穿戴设备都采用“智能传感器+云端”的架构模式，将信号处理、分类等运算量和能耗较大的单元搬到云端。这种架构不仅不能满足下一代可穿戴设备对决策本地化的需求，且由于将运算量大的模块搬到云端引起的大量原始数据的无线传输导致更大的能量消耗。为了减少原始数据的传输，大量基于压缩感知理论的研究工作在减少采样数据、降低功耗方面取得了明显进展。然而，降低采样率的方式有可能会导致许多细微变化但却十分有用的信息被忽略。

由于目前智能可穿戴设备采用的是“智能传感器+云端”的架构方式，故很少涉及到针对信号处理及分类的低功耗研究。但在机器学习领域，特别是嵌入式机器学习领域，关于如何降低信号处理及分类带来的功耗问题引起了广泛关注，总结起来主要有三个方面：即降低精度、增加稀疏性、压缩数据。在下一代可穿戴设备中，由于其具有本地化的独立决策能力，原有在云端的存储、运算处理模块都将本地化，故开展信号处理及分类的高能效研究显得十分重要。特征表达和分类由于涉及大量的复杂运算，如卷积运算(乘累加)、神经网络，这些运算牵涉到大量中间数据的传输和存储，十分耗时、耗能。传统的人工信号特征过度依赖于待识别信号的先验知识，选择费时费力并且泛化较差。而无监督的特征学习是一个对输入数据分布进行建模估计的过程，普遍存在参数调节多、灵活性差的不足。稀疏滤波技术将原有基于数据集自身分布估计改为基于数据特征稀疏为目标的特征提取，通过优化种群稀疏、存在稀疏和高分散性直接从原始数据中获取关于信号的特征稀疏矩阵，展现出了较好的稀疏特征表达能力。分析数据的目的是为了能够基于数据快速做出应对，机器学习是最常见的方法。但机器学习总是涉及到将输入数据转换到更高维度的空间，这伴随着可编程权重、增加数据传输以及最终的能量消耗方面的问题。针对如何降低神经网络的功耗，有人分别从设计加速器、将神经网络训练参数采用低电压硬件存储等方面展开研究，并取得了较好的节能效果。尽管如此，这些方法对于智能可穿戴设备而言在运算能力、硬件成本及能耗等方面难以取得平衡。

发明内容

本发明针对现有技术的不足，提供一种可穿戴微弱信号的高效能处理方法；该方法利用模拟-数字混合信号电路的方式来降低信号特征提取和分类阶段的计算能耗。具体地，将耗时多、存储量大、运算密集的神经网络分类模块借助模拟混沌硬件电路来实现，从而达到最高的能耗-效率比。

为了达到上述目的，本发明一种可穿戴微弱信号的高效能处理方法，主要包括以下步骤：