基于深度学习脑电信号分类FPGA加速器的实现

发布时间：2020-09-02 18:53

　　近些年来,对脑机接口技术(BCI)的研究无论是在医学康复领域还是在学术界都十分活跃,成为科技大佬们关注的前沿技术。尽管该技术发展前景美好,但是现阶段还存在瓶颈,我们一方面需要在保证脑电信号分类准确度的前提下使得系统高效快速运转,另一方面该技术也有待与人工智能(AI)紧密结合,通过训练人工智能系统使其能够学会分析处理这些复杂的脑电信号。本研究基于BCI技术,通过对运动想象产生的脑电信号进行特征识别与分类,提出了一种针对不同卷积神经网络(CNN)结构并且兼顾了灵活性与可重新配置性的FPGA加速器系统,并在PYNQ开发板上加以实现。本文的工作主要包括脑电信号处理的算法设计、以及在FPGA上对算法加以实现两大部分。在传统脑电信号的分析方法中,通常对时域信号执行快速傅里叶变换(FFT)得到其频谱特征,然后利用信号频谱模的平方这一计算方式来估计某一电极感兴趣频带内信号的能量,最后将所有电极的能量测量值汇集至一起形成特征向量以待后续分析,该方法明显忽略了脑电数据之间固然存在的空间特征以及连续时间域上的特征。在本文中我们通过将电极进行Azimuthal等距投影(AEP)并将脑电信号处理成连续时间域上一系列二维图片作为CNN的输入来改善传统方法。具体方法描述如下:首先将电极在三维空间上的位置坐标采用AEP投影到二维平面上,投影完毕就可得到了电极在大脑皮层上活动范围的二维平面图。同时选定频域信号的三个频段(θ(4-8Hz)、α(8-13Hz)和β(13-40Hz))作为主要信息处理区域,以这三个频段中的一个频段为例,将该频段的能量值计算出来作为某一电极的部分能量值,并遍历至整个二维平面的所有电极,然后利用Clough-Tocher方案(基于Delaunary的三次方程插值)对整个电极活动的二维平面的电极能量测量值进行估算插值,最终使得电极能量值在二维平面的分布情况类似于28*28的网格状,接下来对剩余两个频段重复上述过程,并分别以不同的颜色(可以理解为不同通道)区别不同的频段形成的能量图,将三个频段产生的能量图合并至一起形成一个三通道图像(维度为3*28*28)作为CNN的输入;在FPGA加速器的设计中,将同步数据流(SDF)模型应用于嵌入式系统,该模型不会导致更多的片外存储器操作。采用数据流的方法动态调整CNN每一层的参数来提高系统的可重新配置性,通过对各层IP核的分别配置,实现了针对本文中特定脑电信号分类16位定点数的CNN网络,这样就将传统脑电信号系统中需要由工作站或计算节点服务器完成的模式识别与分类的工作替换为基于FPGA为核心的系统板来实现,减小了脑电信号识别系统的体积,大大提高了其便携性及处理速度。在本研究的效果方面,我们利用BCI竞赛数据库验证了左右手运动想象脑电信号分类的准确率以及在FPGA上使用ARM Cortex-A9 CPU与所设计加速器在处理相同批量数据时所花费时间的比较。在进行用于脑电信号分类的网络训练过程中,训练准确率达到96%,测试平均准确率达到80%;在加速效果方面,该加速器在处理相同数据量时相对于PYNQ板上双核ARM Cortex-A9 CPU,速度提升了19倍。本文所用方法摒弃了当前技术中的缺点,运用软硬件协同编程,提供了一种开发门槛低、灵活性高、扩展性强的基于深度学习脑电信号分类FPGA加速器的实现方法,为基于脑电信号识别的嵌入式控制系统的研发提供了一种新的实现方案。
【学位单位】：山东师范大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TN911.7;TN791;TP18
【部分图文】：

分布图,标准电极,国际,分布图

表 2-1 10-20 电极系统电极名称匹配表[27]部位英文名称电极代号前额 Pre frontal lobe Fp1、Fp2侧额 Inferior frontal lobe F7、F8额区 Frontal lobe F3、F4、Fz中央 Central lobe C3、C4、Cz颞区 Temporal lobe T3、T4后颞 Posterior temporal lobe T5、T6顶区 Parietal lobe P3、P4、Pz枕区 Occipital lobe O1、O2耳 Auricular A1、A2

框图,框图,脑电信号,放大器

图 2-2 数据采集与分析系统框图由于自发的脑电信号十分微弱，要想将其转换为计算机所能够识别的脑电信号，我们必须使用脑电的预处理和量化模块中的放大器、滤波器以及模/数（A/D）进行转换，所以如何将脑电信号进行放大是关键一步。脑电信号的特殊性使得对所研发的放大器有着严格的要求，评价一台脑电采集分析系统的性能优劣的一个重要指标就是放大器性能的好坏。经过放大器放大后的脑电信号紧接着要传入滤波器进行滤波，以便降低杂波噪声对真实信号的污染，改善信噪比。除了以上两项操作外，信号的预处理还需要避免由 A/D 转换后造成的频率混叠现象，消除基线漂移及趋势项，滤除非研究电生理信号产生的伪迹[28]；在脑电数据保存的模块中，采集到的信号需要保存后供打印检查或进行后处理。在先前脑电信号的记录都是采用脑电描记技术，即用墨水直接将信号描记在图纸上或保存到磁带上。但随着科学技术的发展，现今这步骤已经完全实现数字化，包括分析、显示和存储都是依

示意图,人工神经元,计算过程,示意图

山东师范大学硕士学位论文概述网络简介络（Artificial Neural Networks，ANN）简称神经网络，是将生物以及外界刺激响应机制进行抽象和理解后，对人类大脑的信息处并类似于人类能够对外界复杂的信息作出判断处理[29]。学模型络的数学模型可以看成一种有向图，这种有向图的节点代表人工有向的加权弧连接。在有向弧中，加权值代表两个互联神经元之人工神经元结构我们可以用下图来表示：

【相似文献】