《IEEE Sensors Journal》：All-Spiking ECG Analysis for Arrhythmia Classification on Low-Power FPGA
编辑推荐：
研究人员针对可穿戴医疗系统中实时、准确且高能效的心律失常分类需求，开展了基于脉冲神经网络（SNN）和事件驱动架构的端到端心电（ECG）分析研究。他们创新性地利用信号及其导数的增量调制进行编码，在MIT-BIH心律失常数据库上对AAMI标准五类心跳实现了98.4%的准确率，并在一款低功耗FPGA上实现了4.05ms/次、36.86 μJ的超低能耗推理，为可穿戴设备提供了高效的片上解决方案。
在追求健康与长寿的当代社会，对心脏健康的持续监测正变得日益重要。可穿戴医疗设备为此提供了可能，它们就像贴身的健康卫士，默默记录着我们的心跳。然而，要让这些设备真正发挥守护作用，面临两大技术挑战：第一，准确识别异常心跳（即心律失常）需要复杂的算法，传统方法通常需要多步预处理，如信号滤波、分割和峰值检测，计算负担重；第二，设备需要长时间佩戴，对电池续航要求极高，因此必须在极低的功耗下完成实时分析。这好比要求一位侦探在电量有限的条件下，又快又准地从纷乱的心跳信号中找出“异常分子”，任务艰巨。
为了解决上述难题，一篇发表在《IEEE Sensors Journal》上的研究提出了一种全新的思路：模仿生物神经系统处理信息的脉冲（或称事件驱动）方式，来解读心电信号。传统神经网络像是不停工作的机器，而脉冲神经网络（Spiking Neural Network, SNN）则只在接收到足够强的输入“刺激”时才“放电”，这种特性天然适合处理像心电信号这样的时序数据，并且具有极高的能效潜力。研究人员的目标是开发一个端到端的系统，跳过繁琐的预处理步骤，直接将原始心电波形转化为对心跳类别的判断，并部署在极其省电的硬件上。
为实现这一目标，研究团队采用了几个关键技术方法：首先，他们设计了一种基于增量调制（Delta Modulation）的信号编码策略，不仅对原始心电波形，还对其一阶和二阶导数进行编码，以更丰富地捕捉信号的时域和形态特征。其次，他们构建并训练了一个脉冲神经网络来处理这些编码后的事件流，用于完成分类任务。模型训练和评估基于广泛使用的MIT-BIH心律失常数据库，并遵循AAMI（美国医疗仪器促进协会）标准，将心跳分为正常（N）、室上性异位（S）、心室异位（V）、融合（F）和未知（Q）五类。最后，为了在现实中实现超低功耗运行，他们将优化后的SNN模型部署在了一块低功耗的Lattice iCE40-UltraPlus现场可编程门阵列（FPGA）芯片上，并设计了专门的硬件架构。
研究结果主要从算法性能和硬件实现两个方面进行展示。
模型性能与对比分析
研究提出的全脉冲心电分析框架在MIT-BIH数据库上进行了测试。结果显示，该模型对五类心跳的总体分类准确率达到了98.4%。与一些基线方法相比，引入信号导数进行编码的策略显著提升了分类性能，证明了其能捕获更丰富的特征。更重要的是，该方法摒弃了传统心电分析流程中独立的滤波、分割和峰值检测模块，实现了真正的端到端事件驱动处理。
硬件实现与效能评估
在硬件实现层面，研究人员在Lattice iCE40-UltraPlus FPGA上设计了一个优化的架构。该架构的核心创新在于将峰值检测（隐含在事件生成中）和分类任务统一在同一个处理流水线中，从而消除了冗余计算。性能评估给出了令人印象深刻的数字：处理一次分类仅需4.05毫秒，每次分类的能耗低至36.86微焦耳（μJ）。这些指标显著优于其他基于FPGA的解决方案，凸显了该设计在能效和速度上的双重优势。
综上所述，这项研究成功地将脉冲神经网络与高效的硬件设计相结合，为可穿戴心电监测提供了一种新颖且实用的解决方案。结论部分强调，这种端到端、事件驱动的方法不仅简化了心电分析流程，更在保证高准确率（98.4%）的同时，实现了超低延迟（4.05ms）和超低能耗（36.86 μJ）。其重要意义在于，它验证了基于SNN和专用低功耗硬件（如FPGA）的架构，能够有效满足可穿戴医疗设备对实时性、准确性和长续航的苛刻要求，推动了边缘智能在移动健康领域的发展。该研究为未来开发更智能、更节能的贴身心脏监护仪奠定了坚实的技术基础。
