生物信号降噪装置、处理装置、监控处理系统及电子设备制造方法及图纸

本实用新型专利技术提供一种生物信号降噪装置、处理装置、监控处理系统及电子设备，该生物信号降噪装置包括：降噪模块，用于基于存算一体架构对生物信号进行降噪处理；其中，所述降噪模块包括由多个阵列排布的闪存单元组成的闪存处理阵列，所述闪存单元的阈值电压可调，所述闪存处理陈列中存有预训练的深度学习降噪模型，通过利用存算一体技术实现深度学习降噪模型进行生物信号降噪，存算一体技术的扩展性好，硬件简单，功耗低，能够直接应用到资源受限的离线终端场景，增加少量功耗和硬件开销就可以有效提高信号监测准确度。

【技术实现步骤摘要】
生物信号降噪装置、处理装置、监控处理系统及电子设备
本技术涉及信号处理领域，尤其涉及一种生物信号降噪装置、处理装置、监控处理系统及电子设备。
技术介绍
随着人工智能的快速发展，智能可穿戴设备(例如智能手机、智能耳机、智能手环、智能眼镜等)在日常生活中逐步普及。与此同时，利用智能可穿戴设备进行健康监测与管理也逐渐受到大众的认可，例如通过在智能可穿戴设备上增加各类传感器来实时监测血压、血氧、血糖、心率、心电图等，进而实现健康管理。但是在日常生活中，由于存在各种噪声，比如环境噪声、监测人体自身的肌电噪声、人体运动造成的基线漂移噪声、监测人的皮肤湿度与温度不同等带来的噪声等，会造成传感器采集的信号质量受到影响，进而影响监测准确度。
技术实现思路
针对现有技术中的问题，本技术提供一种生物信号降噪装置、处理装置、监控处理系统及电子设备，能够至少部分地解决现有技术中存在的问题。为了实现上述目的，本技术采用如下技术方案：第一方面，提供一种生物信号降噪装置，包括：降噪模块，用于基于存算一体架构对生物信号进行降噪处理；其中，所述降噪模块包括由多个阵列排布的闪存单元组成的闪存处理阵列，所述闪存单元的阈值电压可调，所述闪存处理陈列中存有预训练的深度学习降噪模型。进一步地，生物信号降噪装置还包括：连接在所述降噪模块之前的预处理模块以及与所述预处理模块、所述降噪模块连接的重建模块；所述预处理模块用于将所述生物信号转换为频域信号；所述降噪模块对所述频域信号的幅度谱进行降噪处理得到降噪后幅度谱；所述重建模块根据所述频域信号的相位谱以及所述降噪后幅度谱进行信号重建。进一步地，所述预处理模块包括：加窗单元以及傅里叶变换单元；所述加窗单元用于对所述生物信号进行加窗；所述傅里叶变换单元用于将加窗后的生物信号转换为所述频域信号。进一步地，所述重建模块包括：功率谱补偿单元以及反向傅里叶变换单元；所述功率谱补偿单元用于对所述降噪后幅度谱进行补偿；所述反向傅里叶变换单元用于对补偿后的幅度谱以及所述频域信号的相位谱进行反向傅里叶变换得到降噪后生物信号。进一步地，所述降噪模块的工作模式包括：处理模式以及编程模式；所述降噪模块在处理模式下对所述生物信号进行降噪处理，在编程模式下更新所述深度学习降噪模型。进一步地，所述降噪模块还包括：连接在所述闪存处理阵列之前的滤波电路、连接在所述闪存处理阵列输出端的模数转换模块以及连接所述模数转换模块的后处理模块。进一步地，所述闪存单元包括：用于存储长时数据且阈值电压可调的可编程半导体器件以及用于存储临时数据的模拟电容单元，所述可编程半导体器件与所述模拟电容单元并联连接。第二方面，提供一种生物信号处理装置，包括：由多个阵列排布的闪存单元组成的闪存处理阵列，该闪存单元的阈值电压可调，该闪存处理陈列中存有预训练的深度学习模型，以对生物信号进行特征提取和分类。进一步地，所述闪存处理阵列的工作模式包括：处理模式以及编程模式；所述闪存处理阵列在处理模式下对生物信号进行特征提取和分类，在编程模式下更新所述深度学习模型。进一步地，生物信号处理装置还包括：连接在所述闪存处理阵列之前的滤波电路、连接在所述闪存处理阵列输出端的模数转换模块以及连接所述模数转换模块的后处理模块。进一步地，所述闪存单元包括：用于存储长时数据且阈值电压可调的可编程半导体器件以及用于存储临时数据的模拟电容单元，所述可编程半导体器件与所述模拟电容单元并联连接。第三方面，提供一种生物信号监控处理系统，包括：用于采集生物信号的传感器装置、用于对所述生物信号进行降噪处理的如上述的生物信号降噪装置、用于对降噪后的生物信号进行处理的如上述的生物信号处理装置。进一步地，所述传感器装置包括：光电传感器、心电传感器、压力传感器、湿度传感器、温度传感器中的一个或多个的组合。第四方面，提供一种电子设备，包括上述的生物信号降噪装置或上述的生物信号处理装置或上述的生物信号监控处理系统。本技术提供的生物信号降噪装置、处理装置、监控处理系统及电子设备，该生物信号降噪装置包括：降噪模块，用于基于存算一体架构对生物信号进行降噪处理；其中，所述降噪模块包括由多个阵列排布的闪存单元组成的闪存处理阵列，所述闪存单元的阈值电压可调，所述闪存处理陈列中存有预训练的深度学习降噪模型，通过利用存算一体技术实现深度学习降噪模型进行生物信号降噪，存算一体技术的扩展性好，硬件简单，功耗低，能够直接应用到资源受限的离线终端场景，增加少量功耗和硬件开销就可以有效提高信号监测准确度。为让本技术的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：图1示出了本技术实施例提供的生物信号降噪装置的一种结构框图；图2示出了本技术实施例提供的生物信号降噪装置的另一种结构框图；图3示出了本技术实施例提供的生物信号降噪装置中的降噪模块的结构框图；图4a示出了本技术实施例中闪存处理阵列的一种电路图；图4b示出了本技术实施例中闪存处理阵列的一种电路图；图5a示出了图1中降噪模块中的深度学习降噪模型的结构图；图5b示出了图1或图2中降噪模块中的深度学习降噪模型的结构图；图6示出了本技术实施例中滤波电路的电路图；图7示出了本技术实施例中闪存处理阵列中闪存单元的一种电路图；图8示出了本技术实施例中预处理模块的具体结构图；图9示出了本技术实施例中重建模块的具体结构图；图10示出了本技术实施例中生物信号处理装置中的深度学习模型的结构图；图11示出了几种典型心电信号特征与分类示例。图12示出了本技术实施例中生物信号监控处理装置的一种结构框图；图13示出了本技术实施例中生物信号监控处理装置的另一种结构框图；具体实施方式为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。以下在实施方式中详细叙述本技术的详细特征以及优点，其内容足以使任何本领域技术人员，了解本技术的
技术实现思路
并据以实施，且根据本说明书所揭露的内容、权利要求及图式，任何本领域技术人员可轻易地理解本本文档来自技高网...

【技术保护点】
1.一种生物信号降噪装置，其特征在于，包括：降噪模块，用于基于存算一体架构对生物信号进行降噪处理；/n其中，所述降噪模块包括由多个阵列排布的闪存单元组成的闪存处理阵列，所述闪存单元的阈值电压可调，所述闪存处理陈列中存有预训练的深度学习降噪模型。/n

【技术特征摘要】
1.一种生物信号降噪装置，其特征在于，包括：降噪模块，用于基于存算一体架构对生物信号进行降噪处理；
其中，所述降噪模块包括由多个阵列排布的闪存单元组成的闪存处理阵列，所述闪存单元的阈值电压可调，所述闪存处理陈列中存有预训练的深度学习降噪模型。


2.根据权利要求1所述的生物信号降噪装置，其特征在于，还包括：连接在所述降噪模块之前的预处理模块以及与所述预处理模块、所述降噪模块连接的重建模块；
所述预处理模块用于将所述生物信号转换为频域信号；
所述降噪模块对所述频域信号的幅度谱进行降噪处理得到降噪后幅度谱；
所述重建模块根据所述频域信号的相位谱以及所述降噪后幅度谱进行信号重建。


3.根据权利要求2所述的生物信号降噪装置，其特征在于，所述预处理模块包括：加窗单元以及傅里叶变换单元；
所述加窗单元用于对所述生物信号进行加窗；
所述傅里叶变换单元用于将加窗后的生物信号转换为所述频域信号。


4.根据权利要求2所述的生物信号降噪装置，其特征在于，所述重建模块包括：功率谱补偿单元以及反向傅里叶变换单元；
所述功率谱补偿单元用于对所述降噪后幅度谱进行补偿；
所述反向傅里叶变换单元用于对补偿后的幅度谱以及所述频域信号的相位谱进行反向傅里叶变换得到降噪后生物信号。


5.根据权利要求1所述的生物信号降噪装置，其特征在于，所述降噪模块的工作模式包括：处理模式以及编程模式；
所述降噪模块在处理模式下对所述生物信号进行降噪处理，在编程模式下更新所述深度学习降噪模型。


6.根据权利要求1所述的生物信号降噪装置，其特征在于，所述降噪模块还包括：连接在所述闪存处理阵列之前的滤波电路、连接在所述闪存处理阵列输出端的模数转换模块以及连接所述模数转换模块的后处理模块。


7.根据权利要求1所述的生物信号降噪装置，其特征...

【专利技术属性】
技术研发人员：王绍迪，
申请(专利权)人：杭州知存智能科技有限公司，
类型：新型
国别省市：浙江;33