一种基于ZYNQ与深度学习的鼾声辨识装置制造方法及图纸

本发明专利技术公开了一种基于ZYNQ与深度学习的鼾声辨识装置，包括鼾声采集模块，SD卡存储模块，鼾声预处理模块，通卷积神经网络加速器IP，鼾声判断模块，结论显示模块。鼾声采集模块，用于采集被测患者整晚睡眠状态时音频；SD卡存储模块，用于鼾声数据存储与数据计算过程中的数据交互；鼾声预处理模块，用于数据进入网络前的预处理；通用卷积神经网络加速器IP，用于Efficient NeT网络算法推导部分的计算；鼾声判断模块，基于网络计算结果进行统计，并依据AHI指数对鼾声进行辨识；结论显示模块，用于显示结果；本发明专利技术具有数据处理速度快，可实现便携设备无需借助上位机，方便移植与开发的优点。

【技术实现步骤摘要】
一种基于ZYNQ与深度学习的鼾声辨识装置
本专利技术涉及鼾声辨识
，尤其是涉及一种基于ZYNQ与深度学习的鼾声辨识装置。
技术介绍
阻塞性睡眠呼吸暂停低通气综合征（ObstructiveSleepApneaHyperpnoeaSyndrome，简称OSAHS）是一种目前来说病因未知的睡眠呼吸类慢性疾病，OSAHS的其中一个临床表现为夜间睡眠打鼾伴呼吸暂停。而呼吸暂停通常会引起低氧和高碳酸血症，以上现象容易导致高血压，冠心病，脑血管疾病等一系列并发症，因此如何尽早的诊断OSAHS是十分重要的。基于以上问题，一个OSAHS识别装置非常有必要，目前已有相关领域对此作出一系列研究并可以实现OSAHS的鉴定，经调研，绝大多数医院使用的是专用的诊断装置-多导睡眠监测仪(PSG)，PSG价格昂贵，且该装置较容易影响睡眠，反而干扰测试。
技术实现思路
为解决现有技术的不足，通过非接触式测量，在保证睡眠质量的同时，实现降低测试干扰，降低测试装置成本的目的，本专利技术采用如下的技术方案：一种基于ZYNQ与深度学习的鼾声辨识装置，包括：鼾声采集模块，SD卡存储模块，鼾声预处理模块，通用卷积神经网络加速器IP，鼾声判断模块，结论显示模块；所述鼾声采集模块，用于采集被测患者整晚睡眠状态时音频；所述存储模块，用于鼾声数据存储与数据计算过程中的数据交互；所述鼾声预处理模块，用于数据进入网络前的预处理；所述通用卷积神经网络加速器IP，用于神经网络算法推导部分的计算；所述鼾声判断模块，基于网络计算结果进行统计，并依据AHI指数对鼾声进行辨识；所述结论显示模块，用于显示结果。进一步的，所述鼾声采集模块，使用麦克风阵列采集被测患者鼾声数据，为使数据有效，将采集模块放置于距离被采集者0.5m以内。进一步的，所述存储模块是SD卡，用于储存数据，包括大量声音原始信号、预处理后信号、识别过程中信号。进一步的，所述鼾声预处理模块，由ZYNQ的PS端从所述存储模块中提取数据，先对原始信号去毛刺滤波处理，再采用FIR滤波器对处理后的音频进行低通滤波处理，再从处理后的音频，人工提取并标注有效的鼾声段音频，对该有效信号通过MFCC算法从截取的有效鼾声段提取声学特征，提取后作为预处理后数据缓存进DDR中，由AXI-lite总线控制，等待后续计算时DMA传输数据。进一步的，所述通用卷积神经网络加速器IP，由arm进行参数配置，搬运数据，监视执行状态，深度学习网络的卷积模块、池化模块、全连接层模块均使用FPGA中卷积神经网络加速器IP计算。进一步的，所述的鼾声判断模块，提取网络追踪训练模型，根据AHI指数判别被测患者是否存在呼吸暂停综合征。进一步的，所述的结论显示模块，选用使用SPI协议的OLED显示屏用于显示结果，供用户直观的看到结果。本专利技术的优势和有益效果在于：本专利技术集成了采集，提取，训练，辨识，显示为一体的一种基于ZYNQ与深度学习的鼾声辨识装置，为OSAHS诊断提供了更便利，无须接触，低成本的有效途径。附图说明图1是本专利技术的装置结构框图。具体实施方式以下结合附图对本专利技术的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本专利技术，并不用于限制本专利技术。如图1所示，基于ZYNQ与深度学习网络的鼾声辨识装置，该装置可以采集被测患者的鼾声信息，并在ZYNQ的arm中进行一系列预处理，再通过高效的神经网络IP加速对数据的处理，对鼾声进行判别分类，从而判断出患者的呼吸暂停综合征种类，包括：鼾声采集模块，SD卡存储模块，鼾声预处理模块，通用卷积神经网络加速器IP，鼾声判断模块，结论显示模块。所述鼾声采集模块，使用麦克风阵列采集被测患者鼾声数据，具体为将麦克风按指定形状放置于患者身边采集一整晚呼吸数据，模块采集的数据会即时存进SD卡中。所述SD卡存储模块，用于储存大量声音原始信号、预处理后信号、识别过程中信号等，SD卡的存储空间最好配置64G以上，且要求一定传输速度，便于SD卡对数据的存储和SD卡与后续模块信息的交互。所述鼾声预处理模块，用于数据进入网络前的预处理，具体为，预处理模块于ZYNQ平台的ARM中运作，本装置对平台性能要求较高，建议使用ZYNQ-7000系列及其他同类平台中较高性能的款型，采集模块采集完成整晚信号之后，ARM提取原始信号，先对原始信号去毛刺滤波处理，再采用FIR滤波器对处理后的音频进行低通滤波处理，再从处理后的音频，人工提取并标注有效的鼾声段音频，对该有效信号通过MFCC算法从截取的有效鼾声段提取声学特征，提取后作为预处理后数据缓存进DDR中并备份进SD卡中，DDR由AXI-lite总线控制，等待后续计算时DMA传输数据。所述通用卷积神经网络加速器IP，用于深度网络的硬件加速，深度学习网络由PS与PL协同完成，PS进行参数配置，搬运数据，监视执行状态，深度学习网络的卷积模块、池化模块、全连接层模块均使用FPGA中通用卷积神经网络加速器IP计算，得出的特征值也一并备份进SD卡以便反查进行对比。所述的鼾声判断模块，用于判断该被测患者是否存在呼吸暂停综合征，具体为在ZYNQ的PS端提取网络训练模型得出的特征值，再根据AHI指数判别被测患者是否存在呼吸暂停综合征，结果同步备份进SD卡中。所述的结论显示模块，用于显示结果，具体为选用使用SPI协议的OLED显示屏，或者其他具有显示功能的LCD及TFTLCD均可，ZYNQ平台一般自带OLED接口，使用其他显示模块仅需额外接入即可，供用户直观的看到本装置的判断结果。本装置基于ZYNQ与深度学习，仅针对被测患者鼾声信息识别呼吸暂停综合征具有较好识别率，集采集，提取，训练，辨识，显示为一体，方便快捷，全程数据均对SD卡进行备份，可进行溯源判断，采集模块麦克风阵列与患者无接触，不干扰患者睡眠，并有效诊断被测患者是否存在呼吸暂停综合征。以上实施例仅用以说明本专利技术的技术方案，而非对其限制；尽管参照前述实施例对本专利技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本专利技术实施例技术方案的范围。本文档来自技高网...

【技术保护点】
1.一种基于ZYNQ与深度学习的鼾声辨识装置，包括：鼾声采集模块，SD卡存储模块，鼾声预处理模块，通用卷积神经网络加速器IP，鼾声判断模块，结论显示模块，其特征在于：/n所述鼾声采集模块，用于采集被测患者整晚睡眠状态时音频；/n所述存储模块，用于鼾声数据存储与数据计算过程中的数据交互；/n所述鼾声预处理模块，用于数据进入网络前的预处理；/n所述通用卷积神经网络加速器IP，用于神经网络算法推导部分的计算；/n所述鼾声判断模块，基于网络计算结果进行统计，并依据AHI指数对鼾声进行辨识；/n所述结论显示模块，用于显示结果。/n

【技术特征摘要】
1.一种基于ZYNQ与深度学习的鼾声辨识装置，包括：鼾声采集模块，SD卡存储模块，鼾声预处理模块，通用卷积神经网络加速器IP，鼾声判断模块，结论显示模块，其特征在于：
所述鼾声采集模块，用于采集被测患者整晚睡眠状态时音频；
所述存储模块，用于鼾声数据存储与数据计算过程中的数据交互；
所述鼾声预处理模块，用于数据进入网络前的预处理；
所述通用卷积神经网络加速器IP，用于神经网络算法推导部分的计算；
所述鼾声判断模块，基于网络计算结果进行统计，并依据AHI指数对鼾声进行辨识；
所述结论显示模块，用于显示结果。


2.根据权利要求1所述的一种基于ZYNQ与深度学习的鼾声辨识装置，其特征在于所述鼾声采集模块，使用麦克风阵列采集被测患者鼾声数据，将采集模块放置于距离被采集者0.5m以内。


3.根据权利要求1所述的一种基于ZYNQ与深度学习的鼾声辨识装置，其特征在于所述存储模块是SD卡，用于储存数据，包括大量声音原始信号、预处理后信号、识别过程中信号。


4.根据权利要求1所述的一种基于ZYNQ与深度学习的鼾声辨识...

【专利技术属性】
技术研发人员：何增，施先广，岳克强，马德，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33