[发明专利]一种用于心电信号分割的1D U-net神经网络处理器

说明书

本发明公开了一种用于心电信号分割的1D U‑net神经网络处理器，属于人工智能及心电分析领域，包括：卷积模块，包括N×S个PE组形成的阵列，每一PE组用于完成四输入两输出的Winograd快速卷积运算，每一PE组包括四个PE单元形成的两级流水线结构，对输入的一维心电信号和特征图进行卷积操作，并最终输出一维心电信号的分割结果；池化模块，对输入的特征图进行池化操作；上采样模块，对输入的特征图进行数据插值，以扩展特征图中特征信号的长度；拼接模块，将上采样模块处理前的特征图中的全局信号与上采样模块处理后的特征图中的局部信号进行融合，以扩充特征图中的特征信息。对心电信号进行准确的分割与分类，并减小硬件结构的资源消耗。

技术领域

本发明属于人工智能及心电分析领域，更具体地，涉及一种用于心电信号分割的1D U-net神经网络处理器。

背景技术

人工智能在图像处理、图像识别和计算机视觉等领域取得了巨大成功，其关注的输入通常为二维图像信号，因此，很多神经网络结构仅使用于2D图像信号的输入，例如经典的卷积神经网络结构LeNet5、AlexNet、VGGNet和U-net等。U-net是一种特殊的卷积神经网络，主要被运用于医学图像分割，具有网络轻量化、训练集小、易于训练等特点，是图像分割领域中的典型算法。

与图像分割类似，对时间序列的分割是很有意义的，以心电图信号为例，人工智能自动分割技术可以从心电图信号序列中判断出发生异常的时间，并指明该时间段信号的类型。传统硬件算法往往是针对传统卷积算法的实现，对于用于时间序列信号分割的1D神经网络结构，传统硬件算法的性能不足且硬件效率低下，消耗了大量硬件资源，如何增加1DU-net网络模型的硬件利用率，减少运算时间，是本领域技术人员关心的问题。

发明内容

针对现有技术的缺陷和改进需求，本发明提供了一种用于心电信号分割的1D U-net神经网络处理器，其目的在于在时间尺度上对心电信号进行准确的分割与分类，并减小硬件结构的资源消耗。

为实现上述目的，本发明提供了一种用于心电信号分割的1D U-net神经网络处理器，包括：卷积模块，包括N×S个PE组形成的阵列，N为并行计算的输入特征图的个数，S为并行计算的输出特征图的个数，每一所述PE组用于完成四输入两输出的Winograd快速卷积运算，每一所述PE组包括四个PE单元形成的两级流水线结构，第二个输入和第三个输入对应的PE单元处于第一级流水线，第一个输入和第四个输入对应的PE单元处于第二级流水线，用于对输入的一维心电信号和特征图进行卷积操作，并最终输出所述一维心电信号的分割结果；池化模块，连接所述卷积模块，用于对输入的特征图进行池化操作；上采样模块，连接所述卷积模块，用于对输入的特征图进行数据插值，以扩展特征图中特征信号的长度；拼接模块，用于将所述上采样模块处理前的特征图中的全局信号与所述上采样模块处理后的特征图中的局部信号进行融合，以扩充特征图中的特征信息。

更进一步地，所述N×S个PE组形成的阵列中，同一列的PE组中输入同一输入特征图，同一行的各列PE组的输出是同一输出特征图的部分和。

更进一步地，所述卷积模块包括22个卷积层，所述池化模块包括4个池化层，所述上采样模块包括4个上采样层，所述拼接模块包括4个拼接单元；第l个池化层位于第2l个卷积层和第2l+1个卷积层之间；第l个上采样层位于第3l+7个卷积层和第3l+8个卷积层之间；第l个拼接单元分别用于对第10-2l个卷积层输出的特征图和第l个上采样层跟随的卷积层输出的特征图进行特征融合，l＝1，2，3，4。

更进一步地，还包括：预处理模块，用于对所述一维心电信号进行截取或零填充操作，以将所述一维心电信号转化为预设尺寸的信号并输入至第一个卷积层，所述预设尺寸为1024×1。

更进一步地，所述池化层中池化窗口的尺寸为2×1，用于对输入信号中的两个相邻数据进行压缩，压缩后的信号长度为输入信号的一半。