【技術實現步驟摘要】
本專利技術涉及協處理器領域，具體地說是公開一種基于risc-v的ecg分類檢測卷積神經網絡協處理器，屬于計算、推算或計數的。
技術介紹
1、如何正確的利用心電(electrocardiogram，ecg)進行心律失常臨床診斷具有重要意義。
2、卷積神經網絡(convolutional?neural?networks，cnn)因為其廣泛的學習能力以及穩定性被廣泛應用于各個領域的分類的任務，例如圖像識別、語音識別等等。cnn對于識別任務有諸多優勢，但將cnn模型部署到計算資源及內存空間有限的可穿戴設備中仍受很多限制。鑒于cnn擁有良好穩定的分類特性，設計專門針對ecg分類檢測的一維卷積神經網絡系統，具有重要的現實意義和廣泛的應用前景。
3、然而，cnn還存在一些固有缺陷。首先，常規運算一般采用的是32位浮點數，所以如果存在大量浮點運算會有著大量功耗；其次，保存cnn模型需要大量內存空間，神經網絡模型一般都會占用較大的空間。這些固有缺陷使得cnn用于ecg分類時存在功耗大的缺陷。為了克服cnn的固有缺陷，現有技術提出了針對ecg分類檢測的加速器。現有針對ecg分類檢測的加速器在計算效率、適配性等方面還存不足；現有針對ecg分類檢測的加速器通常采用通用cnn加速器架構，因此在處理一維卷積時效率較低，導致功耗高且延遲大；通用cnn加速器架構無法很好地適配ecg信號的特點，分類精度和穩定性不足；針對ecg分類檢測的加速器與系統其他組件的集成度較低，導致整體性能無法充分發揮。
4、因此，本專利技術旨在提出一
技術實現思路
1、本專利技術的專利技術目的是針對上述
技術介紹
的不足，提供一種基于risc-v的ecg分類檢測卷積神經網絡協處理器，該專利技術旨在針對ecg信號特點，集成專門設計的risc-v擴展指令集，實現提高一維卷積神經網絡協處理器執行效率的專利技術目的，解決現有針對ecg分類檢測加速器計算效率低、適配性差、系統集成度低的技術問題。
2、本專利技術為實現上述專利技術目的采用如下技術方案：
3、一種基于risc-v的ecg分類檢測卷積神經網絡協處理器，包括：狀態處理單元、內存控制器、權重緩存、輸入/輸出緩沖區、輸入寄存器、pe陣列、輸出寄存器、激活模塊以及池化模塊；狀態處理單元，用于控制協處理器前向推理以及前向推理過程中的卷積計算；內存控制器，接收來自主處理器的ecg信號、權重及網絡參數，計算生成ecg信號、權重及網絡參數的存儲地址，使能權重緩存、輸入/輸出緩沖區、輸入寄存器、pe陣列、輸出寄存器、激活模塊以及池化模塊；權重緩存，用于緩存神經網絡各層權重；輸入/輸出緩沖區，用于緩存來自主處理器的ecg信號以及pe陣列完成每一層卷積運算的ecg輸入特征圖；輸入寄存器，用于緩存pe陣列完成每一層卷積運算的ecg輸入特征圖；pe陣列，用于脈動傳輸當前層卷積運算的ecg輸入特征圖，從權重緩存讀取當前層權重，輸出當前層卷積結果；輸出寄存器，用于緩存pe陣列輸出的當前層卷積結果；激活模塊，用于對pe陣列輸出的當前層卷積結果進行激活操作；池化模塊，用于對當前層卷積結果的激活數據進行池化操作，獲取pe陣列完成下一層卷積運算的ecg輸入特征圖。
4、作為一種基于risc-v的ecg分類檢測卷積神經網絡協處理器的進一步優化方案，狀態處理單元包括主狀態機和計算狀態機；主狀態機用于控制協處理器工作于包括空閑狀態、獲取參數狀態、前向推理狀態的循環過程中；計算狀態機在協處理器工作于前向推理狀態中時控制pe陣列完成一層卷積運算。
5、作為一種基于risc-v的ecg分類檢測卷積神經網絡協處理器的再進一步優化方案，內存控制器通過nice協議接收來自主處理器的ecg信號、權重及網絡參數。
6、作為一種基于risc-v的ecg分類檢測卷積神經網絡協處理器的再進一步優化方案，內存控制器通過nice協議接收來自主處理器的ecg信號、權重及網絡參數，具體為：通過lbuf指令將來自主處理器的ecg信號、權重及網絡參數加載至行數據緩存；通過rowsum指令對行數據緩存中的數據進行累加操作，返回累加值至主處理器；通過sbuf指令將行數據緩存中的數據存儲至主處理器內存。
7、作為一種基于risc-v的ecg分類檢測卷積神經網絡協處理器的再進一步優化方案，通過控制兩個寄存器最大位寬地傳遞來自主處理器的ecg信號、權重及網絡參數，通過調用自定義指令集控制兩個寄存器傳輸數據的信號。
8、作為一種基于risc-v的ecg分類檢測卷積神經網絡協處理器的再進一步優化方案，pe陣列的第一列接收來自主處理器的ecg信號或者當前層卷積運算的ecg輸入特征圖，pe陣列第一列接收的數據依次脈動輸入至pe陣列的各列，pe陣列的第一行接收當前層權重，pe陣列的各列分別共用各列第一行接收的當前層權重，pe陣列各列的計算結果傳輸至第一行輸出。
9、作為一種基于risc-v的ecg分類檢測卷積神經網絡協處理器的更進一步優化方案，權重緩存為包含8個bank的片上緩存；輸入/輸出緩沖區為2塊sram組成的片上緩存，每塊sram均包含8個bank。
10、作為一種基于risc-v的ecg分類檢測卷積神經網絡協處理器的更進一步優化方案，輸入寄存器對pe陣列完成每一層卷積運算的ecg輸入特征圖數據進行輸入復用；輸出寄存器對pe陣列輸出的當前層卷積結果進行包括寫入、移位和填充的輸出復用。
11、作為一種基于risc-v的ecg分類檢測卷積神經網絡協處理器的更進一步優化方案，激活模塊對pe陣列輸出的當前層卷積結果進行截斷處理。
12、作為一種基于risc-v的ecg分類檢測卷積神經網絡協處理器的更進一步優化方案，池化模塊對當前層卷積結果的激活數據進行最大池化處理。
13、本專利技術采用上述技術方案，具有以下有益效果：
14、(1)本專利技術將risc-v架構加速器平臺與nice自定義指令系統相結合，設計了針對ecg檢測信號特征的一維cnn高效處理結構，形成了一套完整的協處理器及系統設計，此系統不僅支持高效的卷積計算，還能處理復雜的ecg分類任務，具有較強的實用性和廣泛的應用前景。
15、(2)本專利技術設計了針對ecg數據卷積的脈動陣列處理單元，減少內存瓶頸并提高數據吞吐量，同時提升了檢測的準確率和處理速度。
本文檔來自技高網...【技術保護點】
1.一種基于RISC-V的ECG分類檢測卷積神經網絡協處理器，其特征在于，包括：
2.根據權利要求1所述一種基于RISC-V的ECG分類檢測卷積神經網絡協處理器，其特征在于，所述狀態處理單元包括主狀態機和計算狀態機；所述主狀態機用于控制協處理器工作于包括空閑狀態、獲取參數狀態、前向推理狀態的循環過程中；所述計算狀態機在協處理器工作于前向推理狀態中時控制PE陣列完成一層卷積運算。
3.根據權利要求2所述一種基于RISC-V的ECG分類檢測卷積神經網絡協處理器，其特征在于，所述內存控制器通過NICE協議接收來自主處理器的ECG信號、權重及網絡參數。
4.根據權利要求3所述一種基于RISC-V的ECG分類檢測卷積神經網絡協處理器，其特征在于，所述內存控制器通過NICE協議接收來自主處理器的ECG信號、權重及網絡參數，具體為：通過lbuf指令將來自主處理器的ECG信號、權重及網絡參數加載至行數據緩存；通過rowsum?指令對行數據緩存中的數據進行累加操作，返回累加值至主處理器；通過?sbuf?指令將行數據緩存中的數據存儲至主處理器內存。
5
6.根據權利要求5所述一種基于RISC-V的ECG分類檢測卷積神經網絡協處理器，其特征在于，所述PE陣列的第一列接收來自主處理器的ECG信號或者當前層卷積運算的ECG輸入特征圖，PE陣列第一列接收的數據依次脈動輸入至PE陣列的各列，PE陣列的第一行接收當前層權重，PE陣列的各列分別共用各列第一行接收的當前層權重，PE陣列各列的計算結果傳輸至第一行輸出。
7.根據權利要求1至6中任意一項所述一種基于RISC-V的ECG分類檢測卷積神經網絡協處理器，其特征在于，所述權重緩存為包含8個bank的片上緩存；所述輸入/輸出緩沖區為2塊?SRAM?組成的片上緩存，每塊?SRAM均包含8個bank。
8.根據權利要求1至6中任意一項所述一種基于RISC-V的ECG分類檢測卷積神經網絡協處理器，其特征在于，所述輸入寄存器對PE陣列完成每一層卷積運算的ECG輸入特征圖數據進行輸入復用；所述輸出寄存器對PE陣列輸出的當前層卷積結果進行包括寫入、移位和填充的輸出復用。
9.根據權利要求1至6中任意一項所述一種基于RISC-V的ECG分類檢測卷積神經網絡協處理器，其特征在于，所述激活模塊對PE陣列輸出的當前層卷積結果進行截斷處理。
10.根據權利要求1至6中任意一項所述一種基于RISC-V的ECG分類檢測卷積神經網絡協處理器，其特征在于，所述池化模塊對當前層卷積結果的激活數據進行最大池化處理。
...【技術特征摘要】
1.一種基于risc-v的ecg分類檢測卷積神經網絡協處理器，其特征在于，包括：
2.根據權利要求1所述一種基于risc-v的ecg分類檢測卷積神經網絡協處理器，其特征在于，所述狀態處理單元包括主狀態機和計算狀態機；所述主狀態機用于控制協處理器工作于包括空閑狀態、獲取參數狀態、前向推理狀態的循環過程中；所述計算狀態機在協處理器工作于前向推理狀態中時控制pe陣列完成一層卷積運算。
3.根據權利要求2所述一種基于risc-v的ecg分類檢測卷積神經網絡協處理器，其特征在于，所述內存控制器通過nice協議接收來自主處理器的ecg信號、權重及網絡參數。
4.根據權利要求3所述一種基于risc-v的ecg分類檢測卷積神經網絡協處理器，其特征在于，所述內存控制器通過nice協議接收來自主處理器的ecg信號、權重及網絡參數，具體為：通過lbuf指令將來自主處理器的ecg信號、權重及網絡參數加載至行數據緩存；通過rowsum?指令對行數據緩存中的數據進行累加操作，返回累加值至主處理器；通過?sbuf?指令將行數據緩存中的數據存儲至主處理器內存。
5.根據權利要求4所述一種基于risc-v的ecg分類檢測卷積神經網絡協處理器，其特征在于，通過控制兩個寄存器最大位寬地傳遞來自主處理器的ecg信號、權重及網絡參數，通過調用自定義指令集控制兩個寄存器傳輸數據的信號。
6.根據...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。