基于Matlab/RTW的嵌入式系统实验开发平台

针对传统嵌入式系统开发需要手工编写代码,致使开发周期长、开发效率低的问题,提出了一种基于Matlab/RTW、Proteus的嵌入式系统开发方法。实现了系统建模、代码开发和验证的系统开发体系,为快速开发基于51系列的嵌入式控制系统提供了一种新方法,具有一定的实用价值。     

基于SoC FPGA的心电信号检测系统设计

设计实现了一种基于片上系统现场可编程门阵列( SoC FPGA)的心电信号( ECG)检测系统.系统通过具有高输入阻抗、高共模抑制比和低噪声的前置采集放大电路,实现心电信号的拾取和预处理.通过基于SoC FPGA的硬件平台和移植的嵌入式Linux开发环境的软硬协同设计方式,完成了心电信号的A/D转换、VGA显示、Micro SD卡数据存储和心电信号算法处理,能够对心电信号进行小波分析和QRS波检测,实现了对心电信号的采集、显示、存储和处理.     

基于量子框架的代码自动生成技术研究

量子框架是基于有限状态机理论,完整的嵌入式系统实现技术,用以设计能与任何RTOS一起工作的活动对象.本文在研究量子框架的基础上,采用UML中的状态图对AMT系统中的活动对象进行行为建模.模型数据经XSLT转换为符合QF规范的嵌入式代码,实现了从建模到嵌入式代码的自动生成的功能,大大提高了嵌入式系统的开发效率.     

基于嵌入式平台的并发虚拟机研究

并发程序对提高应用系统的处理能力具有重要作用,基于嵌入式平台的并发程序开发尚无统一的工具支持.本文提出了一种基于嵌入式平台的并发虚拟机(CVM)设计思想,并采用标准C实现了一个CVM模型.研究表明,它可以支持嵌入式平台中的并发程序,实现了嵌入式平台中并发程序的平台无关性和可移植性.     

基于SVM概率建模的硬件实现优化算法

在2种基于一对一分类策略的支持向量机(SVM)多类概率建模算法中,Pairwise Coupling概率建模算法不适合FPGA硬件实现,而投票概率建模算法分类性能较差。为此,提出一种基于Sigmoid函数的SVM概率建模的硬件实现优化算法,该算法基于合并计算及Log-add计算方法。理论分析结果表明,该算法可避免复杂的迭代计算和大量指数计算,减少运算量,并易于FPGA硬件实现。     

嵌入式实时系统的快速开发框架研究

嵌入式实时开发是当今计算机应用研究的热点,该文结合模型驱动架构的系统无关模型和系统相关模型思想,提出了一种基于平台设计的快速开发嵌入式实时系统的方法:首先采用实时应用接口RTAI将嵌入式Linux改造成具有硬实时性能的实时操作系统平台;然后利用Matlab/Simulink/RTW和RTAI-Lab工具对实际系统进行快速化建模、仿真和驱动开发,并自动生成实时的可执行代码;最后将代码加载到嵌入式实时系统.通过倒立摆嵌入式实时控制器系统设计实例说明了这种方法可以有效降低系统设计复杂度,提高嵌入式软件的开发效率.     

基于进化计算的中医脉象分类识别研究

为了实现中医脉象的客观、准确分类,提出了一种基于进化计算的脉象识别方法.提出一种改进的GEP算法(IGEP),并对IGEP算法进行了复杂度分析.基于IGEP,设计出了对脉象信号进行自动建模识别的系统.最后用大量临床脉象样本对算法建模的函数进行了检验,实验结果表明该方法能够实现对中医常见脉象的准确、快速分类.     

一种嵌入式系统设计的建模方法研究

针对在嵌入式系统设计中,目前常用的VHDL建模方法方法存在不易理解、模型描述困难、工作量大的问题,UML建模方法存在模型需形式化、验证难等问题,提出了一种基于SpecCharts语言的嵌入式系统建模方法--使用SpecCharts语言语法、文字和图形相结合来描述嵌入式系统,能满足嵌入式系统设计的描述要求,建模效率是VHDL方法的2.82倍,是UML方法的1.25倍,并且具有容易理解、容易描述、能利用VHDL的支撑工具直接进行模拟验证、建模工作量小等优点,较好地解决了嵌入式系统设计建模中存在的上述问题,有较高的实用价值.     

基于PTT的连续无创血压测量系统的设计

针对传统袖带血压测量的不连续性和不舒适性,设计并实现了一种基于脉搏波传播时间(Pulse Transmit Time,PTT)的连续无创测量血压系统。该系统以STM32嵌入式单元为核心,集心电(Electrocardiograph,ECG)、光电容积脉搏波(Photoplenthysmogram,PPG)采集模块和蓝牙于一体,以心电电极夹和指套取代了充气式袖带,可进行连续无创血压测量,并实现蓝牙无线数据传输,装置小巧,操作简单。     

一种改进的NLMS算法及其在自适应逆控制中的应用

提出一种对FIR滤波器和基于反馈RBF网络的非线性滤波器都适用的改进型NLMS( VS MNLMS)算法,并将其应用于线性和非线性自适应逆控制(AIC)系统的逆建模.该算法计算简单,容易实现,具有全局收敛性.数字仿真结果表明VS MNLMS能获得比其它四种变步长LMS算法更快的收敛速度、更小的稳态MSE,更好的鲁棒性,并使AIC系统具有良好的动静态性能,从而验证了本文提出的算法和非线性滤波器在AIC中的有效性.     

ECG signal classification via combining hand-engineered features with deep neural network features

The electrocardiogram (ECG) has been proven to be the most common and effective approach to investigate cardiovascular diseases because that it is simple, noninvasive and inexpensive. However, the differences among ECG signals are difficult to be distinguished. In this paper, hand-engineered ECG features and automatic ECG features extracted with deep neural networks are combined to generate high dimensional features. First, rich hand-engineered features were extracted using some extraction methods for common ECG features. Second, a convolutional neural network model was designed to extract the ECG features automatically. High dimensional feature set is obtained through combing hand-engineered features and automatic features. To get the most informative ECG feature combination, a feature selection method based on mutual information was proposed. An ensemble learning method was then used to build the classification model for abnormal ECG types. Six atrial arrhythmia subtypes’ ECG signals from the Chinese cardiovascular disease database dataset were analyzed through the proposed method. The precision of the classification results reaches 98.41%, which is higher than the results based on other current methods.

     

Modeling of the grounding resistance variation using ARMA models

This study addresses the problem of modeling the variation of the grounding resistance during the year. An AutoRegressive Moving Average (ARMA) model is fitted (off-line) on the provided actual data using the Corrected Akaike Information Criterion (AICC). The developed model is shown to fit the data in a successful manner. Difficulties occur when the provided data includes noise or errors and also when an on line/adaptive modeling is required. In both cases, and under the assumption that the provided data can be represented by an ARMA model, simultaneous order and parameter estimation of ARMA models under the presence of noise is necessary. In this paper, a new method based on the multi-model partitioning theory which is also applicable to on line/adaptive operation, is used for the solution of the above mentioned problem. The simulations show that the proposed method succeeds in selecting the correct ARMA model order and estimates the parameters accurately in very few steps and even with a small sample size. For validation purposes the method introduced is compared with three other established order selection criteria presenting very good results. The proposed method can be extremely useful in the studies of electrical engineer designers, since the variation of the grounding resistance during the year affects significantly power systems performance and must be definitely considered.     

TSCNN:面向可穿戴心电信号监测与分析的卷积神经网络

目的 可穿戴设备能够长时间实时监测人体心脏状况,其在心电信号监测领域应用广泛。但目前仍没有公开的来自可穿戴设备的心电数据集,大部分心电信号分析算法都是针对医院设备所采集的心电数据。因此,本文使用IREALCARE 2.0柔性远程心电贴作为心电信号监测和采集设备制作了可穿戴设备的心电数据集。针对可穿戴心电数据干扰多、数据量大等特点,本文提出了一种针对可穿戴设备获得的心电信号进行自动分类的深层卷积神经网络,称之为时空卷积神经网络（time-spatial convolutional neural networks,TSCNN）。方法 将原始的长时间心电信号分割为单个的心搏并与滤波后不同频段的心搏数据组合成十通道的数据输入到TSCNN中。TSCNN对每个心搏使用时间卷积和空间滤波来提取丰富的特征。采用小卷积核级联卷积的方式提高分类性能,并降低网络的参数量和计算量。结果 在本文制作的心电数据集上进行了测试,并与其他4种心电分类算法：CNN（convolutional neural networks）、RNN（recurrent neural networks）、1-DCNN（1-dimensional convolution neural networks）和DCN（dense convolutional networks）进行了比较。实验结果显示,本文方法的分类准确率达到91.16%,优于其他4种方法。结论 本文方法面向可穿戴心电数据,获得了较好的分类性能,可以有效监控穿戴者是否出现了心电异常情况。     

卷积神经网络在心拍类识别中的应用

心电图（ECG）心拍分类对心脏疾病的临床诊断具有重要意义,但是ECG四类心拍间数据不平衡问题严重制约着心拍分类性能的提升。针对这一问题,以卷积神经网络（CNN）为基础,首先在组合四类心拍等量数据基础上构建用于表达噪声及四类心拍间共性信息的通用CNN模型,接着以通用CNN模型为基础分别在四类心拍数据上构建四个更为有效表达对应心拍类别倾向性信息的类别CNN模型,最后综合四个类别CNN模型的输出判别心拍类型。在MIT-BIH心电图数据库上的实验结果显示,该方法的平均灵敏度为99.68%、平均阳性检测率是98.58%、综合指标是99.12%,显著优于二级联合聚类法在MIT-BIH心电图数据库上的分类性能。     

基于多尺度特征提取的多导联心跳信号分类

心电图(ECG)是临床上诊断心脏疾病的重要依据,从中提取关键、有效的特征是自动诊断系统 的关键。而现今多数研究仅使用单导联或双导联数据,提取的特征不够全面,无法很好地区分不同心跳中的细 微差别。为了获得更加全面的特征和更优异的分类表现,本文提出了基于多尺度特征提取的多导联心跳信号分 类方法(MSNet)。首先,该方法接收多导联心跳信号堆叠矩阵作为输入;然后,利用 3 种不同尺度的一维卷积 分别提取特征;最后将不同尺度的特征融合并进行所属类别的分类。本文在 MIT-BIH Arrhythmia Database, MIT-BIHSupraventricular Arrhythmia Database和St Petersburg INCART 12-lead Arrhythmia Database 3个心电公开 数据集上进行了充分的实验,在五折交叉验证的策略下,对于“正常-异常”分类,该方法的准确率、召回率、 精确率、F1 值均达到了 99%以上;对于多类别分类,其平均准确率、平均召回率、平均精确率、平均 F1 值能 达到 99.5%左右。与现今优异的其他方法相比,该方法有着更好的表现。     

基于多核超限学习机的实时心电信号分析

心电分类是一种复杂的模式识别问题。目前,大部分基于不同机器学习模型的心电分类方法都取得了很高的分类精度,但学习效率不高,因此需要一种快速的心电学习方法。文章提出了基于多种核函数的超限学习方法,利用不同的核函数将特征映射到希尔伯特空间,使心电数据在高维空间中线性可分,并在 MIT-BIH 标准库进行了该方法的实验验证。与其他方法相比,文章所提出的方法具有较高的分类准确率和更快的学习速度,对临床上动态心电图的检测与分析和个性化的实时心电监测具有重要意义。     

Electrocardiogram soft computing using hybrid deep learning CNN-ELM

Electrocardiogram (ECG) can reflect the state of human heart and is widely used in clinical cardiac examination. However, the electrocardiogram signal is very weak, the anti-interference ability is poor, easy to be affected by the noise. Doctors face difficulties in diagnosing arrhythmias. Therefore, automatic recognition and classification of ECG signals is an important and indispensable task. Since the beginning of the 21 st century, deep learning has developed rapidly and has shown the most advanced performance in various fields. This paper presents a method of combining (Convolutional neural network) CNN and ELM (extreme learning machine). The accuracy rate is 97.50%. Compared with the state-of-the-art methods, this method improves the accuracy of ECG automatic classification and has good generalization ability.     

采用S变换特征选择方法的心律失常分类

针对短时傅里叶变换与小波变换对心电图（Electrocardiogram,ECG）信号特征提取不足以及心律失常识别困难的问题,提出了一种基于S变换特征选择的心律失常分类算法。首先对ECG信号进行S变换,并从幅值和相位两个角度提取ECG信号的时频特征,与形态特征和RR间隔组成原始特征向量。然后将遗传算法与支持向量机（Support vector machine,SVM）结合组成Wrapper式特征选择方法,并在其中融入ReliefF算法,即采用ReliefF算法计算特征权重,并根据特征权重大小来指导遗传算法种群初始化,遗传算法以SVM的分类性能作为适应度函数来搜索特征子集。最后使用"一对多"（One against all,OAA）SVM对MIT-BIH心律失常数据库8种类型心拍进行分类。实验结果表明,该算法达到了较好的分类效果,灵敏度、特异性和准确率分别为96.14%,99.75%和99.81%。     

基于过完备字典的体域网压缩感知心电重构

针对体域网远程监护中心对重构的心电信号（Electrocardiogram,ECG）精度要求高和体域网（Body sensor network,BSN）低功耗问题,提出基于过完备字典的体域网压缩感知心电重构方法. 该方法利用压缩感知理论,在传感节点端利用随机二进制矩阵对心电信号进行观测,观测值被传送至远程监护中心后,再利用基于K-SVD算法训练得到的过完备字典和块稀疏贝叶斯学习重构算法对心电信号进行重构. 仿真结果表明,当心电信号压缩率在70%～95%时,基于K-SVD过完备字典比基于离散余弦变换基的压缩感知心电重构信噪比高出5～22dB. 该方法具有信号重构精度高、功耗低和易于硬件实现的优点.     

基于ARMA的微惯性传感器随机误差建模方法

针对微惯性传感器随机误差建模效果不理想,影响微惯性组合导航系统性能的问题,提出了采用自回归滑动平均(ARMA)对微惯性传感器随机误差进行建模的方法。通过对随机误差模型应用于微惯性器件误差建模的深入分析,将Yule-Walker方程引入线性预测问题中,实现AR功率谱密度的估计,建立了基于随机过程有理功率谱密度的ARMA模型建立方法,并给出了ARMA建模准确性的LDA验证准则。通过微惯性传感器实测数据,对随机误差建模方法进行了有效性验证。该方法为微惯性器件的随机误差建模和分析提供了一种新的途径。