2022集创赛_芯来RISCV杯全国三等奖作品分享

1.团队介绍

参赛单位：上海理工大学

指导老师：闫士举

参赛队员：夏鹏、李宪龙、张涛

总决赛奖项：三等奖

2.项目简介

2.1项目背景

目前体外自动电除颤仪诊断不够准确、使用不够智能，急需提升诊断效率。不能边胸外按压边分析心电，救治效率低。AED的低功耗需求严重限制了其搭载的算法复杂度！

若能设计研发一种生理信号AI分析专用的SOC，利用复杂度较高的算法提升心电信号诊断成功率，将极大提升电除颤成功率，挽救更多心脏骤停的病人。

2.2项目功能

解决这类心电信号的误分类问题

本文所设计的SOC包含的功能有：熵计算加速、CNN计算加速、定点浮点乘法加速等。可以将原本在单片机上需要数秒乃至数小时计算完成的熵算法以及一维卷积神经网络算法加速到单片机算力可以接受的水平。

本文设计的SOC采用RISC-V指令集的CPU内核，其型号为E203，并自主设计了生理信号处理专用协处理器。协处理器包含熵计算加速器、向量乘法计算加速器、定点乘法加速器、浮点乘法器等等生理信号加速专用电路。在本SOC配套的SDK测试中，进行了250点的近似熵计算，对于纯软件计算，提速约34倍，利用加速器计算部分提速约1700倍。在一个典型的CNN心电识别网络中，利用加速版本计算的程序提速约33倍。

3.系统组成

3.1自研验证硬件环境

3.2协处理器的组成

协处理器由指令解码单元、执行状态机、熵计算加速单元、CNN向量计算单元、单周期定点乘法器组成

当程序调用协处理器时，CPU会拉高nice接口的nice_req_valid信号线请求握手，协处理器在空闲的情况下会将nice_req_ready拉高完成握手，并从指令预取单元中获取指令，状态机会根据指令解码单元解码出的数据和指令调用相应的执行单元执行指令，指令执行完成后，状态机会把nice接nice_rsp_valid线拉高请求握手。

熵计算加速单元的架构

作品展示

https://www.bilibili.com/video/BV1gP411p7HZ?www.bilibili.com/video/BV1gP411p7HZ

5.未来展望和总结

本文设计了一种生理信号分析专用的AI分析SOC，该SOC通过nice接口调用生理信号加速协处理器。协处理器包含熵计算加速器、向量乘法计算加速器、单周期定点乘法器等生理信号加速专用电路。在250点的近似熵计算中，对于纯软件计算，提速约34倍，利用加速器计算部分提速约1700倍。在一个典型的CNN心电识别网络中，利用加速版本计算的程序提速约33倍。

本SOC设计初衷是为解决当前市场上的除颤仪难以集成卷积神经网络和近似熵计算算法的问题。但对于生理信号来说，信号熵的衡量非常重要，因为人体是一个有序的系统，当器官出现病变就不可避免地会造成信号熵值的增加。因此近似熵是目前生理信号分析中的非常重要的依据。而近年来，神经网络算法在AI领域的优势凸显，越来越成为分析生理信号重要算法之一。使用神经网络算法和近似熵算法可以有效应用于各类生理病变的分析，这使得本设计具有很大的临床实践意义。

由于疫情缘故加上时间匆忙，本设计还有很多不完善的地方，离真正产业化水平还有很大距离，我们认为下一步的工作有：

1、改进近似熵计算库和对应的协处理器电路，为协处理器加入一个序列点数设置寄存器，使得该计算单元可以向下兼容，而不是仅仅满足于计算定长的序列近似熵。使得该计算单元可以应用于更多领域。

2、改进CNN推理库，使得该SDK使用更加灵活和人性化。比如目前的CNN库的卷积步长设置没有自动化设置功能，需要手动设置。

3、通过RS422串口将协处理器和除颤仪进行联调，完整开发出该SOC的除颤仪应用。目前由于疫情封控缘故，SOC和除颤仪分隔两地无法联调。

4、为该SOC开发更多生理信号的分析用例，比如脑电分析、语音识别、肌电分析等。

5、对SOC进行详细验证和优化，进行后端设计，在更换芯来科技正式版的CPU内核后流片。

版权声明：本文为CSDN博主「极术社区」的原创文章；

原文链接：https://blog.csdn.net/weixin_47569031/article/details/127508270

【免责声明】：本站部分文章为转载或网友发布，目的在于传递和分享信息，并不代表本网赞同其观点和对其真实性负责；文章版权归原作者及原出处所有，如涉及作品内容、版权和其它问题，我们将根据著作权人的要求，第一时间更正或删除。