面向数字听诊和穿戴式监测的智能体音芯片

原文

周维新 , 高肇岗 , 肖宛昂 . 面向可穿戴式的基于 LSTM 神经网络的智能心音异常诊断芯片 [ J ] . 电子与信息学报 , 2024, 46 ( 2 ) : 555-563. doi:  10.11999/JEIT230934 

单位

中国科学院半导体研究所 高速电路与神经网络实验室

视频速览

摘要：

针对数字听诊和穿戴式监测的需求，作者团队研发了可配置的智能体音芯片。

面向心脏类疾病的应用，阐述了智能心音异常诊断芯片的关键技术：

( 1 ) 采用智能降噪算法、心音特征提取技术以及多体音分解技术；

( 2 ) 构建轻量级、可配置神经网络结构；

( 3 ) 应用集心音采集、处理与识别的可配置智能心音诊断芯片的低功耗设计技术。

该研究为心血管疾病的早期预防和诊断提供了坚实的技术支持，有望在临床实践中产生积极影响。

1   引言

心脏类疾病是一类包括冠心病、心肌病、心律失常、心力衰竭等多种疾病的总称。心脏类疾病发病率在 4.8%~11.6%。2023 年 6 月，国家心血管病中心发布的《中国心血管健康与疾病报告 2022》数据显示，我国罹患心血管疾病的患者预估为 3.3 亿人次，其中包含 1300 万脑卒中患者。听诊是常规的辅助诊断手段，通过听诊心音、肺音、肠鸣音等体音对病情做出辅助判断，从而进行更针对性的治疗。然而传统的听诊存在一些不足，传统的听诊一般是在医院里进行，需要花费大量的排队时间，同时对医生的经验要求比较高，听诊的准确率根据经验只有 20%~80%。

基于人工智能的数字听诊技术可以辅助听诊来提高准确率，并将听诊结果数字化，便于记录、存储和传输。目前国内外主流的数字听诊方案主要包括了计算机体音分析技术与一体机听诊设备，然而这两种方案依赖于通信手段，在环境受限的情况下有局限性，同时时效性低，无法实现及时预警。目前国内外在穿戴式监测研究领域存在空白，无法满足临床术后持续监测的需求，无法满足慢性病患者的日常健康监测的需求，也无法满足运动员在运动中对心肺的动态观测等的个性化需求。根据上述需求，本研究团队面向智能数字听诊和穿戴式监测进行了智能体音芯片研制，下面以智能心音异常诊断芯片为例进行叙述。

2   智能心音异常诊断系统

如图 1 所示，智能心音异常诊断系统包括了心音的采集与预处理，梅尔特征提取以及异常诊断 3 个步骤。

图 1 智能心音异常诊断系统框图

心音的采集与预处理：为了提高体音诊断的效果，搭建了一套基于听诊器的体音采集 FPGA 系统进行了心音数据的采集。针对数据集中存在的数据量不平衡问题，采用了数据增强技术，包括时间拉伸、添加噪声、音量增强等。预处理包括了滤波、去噪、标准化等操作，以确保体音的信号质量良好且适于后续处理。同时身体内部的其余体音也会产生干扰，如呼吸音和心音的频带相近，无法通过简单的滤波器进行过滤。通过采用神经网络定位心音与非负矩阵分解相结合的方法进行心肺音的分离，如图 2 所示。                   

图 2 心肺音分离效果图

梅尔特征提取：从心音中提取与异常诊断相关的特征，这些特征能够反映心音信号的不同方面，如节律、频率分布等。通过特征提取，将原始信号转换为更具代表性和可分辨性的特征向量。

异常诊断：体音作为一种时序序列，其所承载的生理信息不仅仅与当前时刻有关，还与过去的时刻密切有关。LSTM 神经网络在体音异常诊断中表现出色，能够处理心音时序数据、提取关键信息、实现实时性需求，并且在硬件实现阶段具备资源节约的优势。

3   智能心音异常诊断芯片

基于前述智能心音异常诊断系统进行了诊断模型训练，完成定点化之后进行智能心音异常诊断芯片设计。芯片的架构如图 3 所示，包括了主状态机模块 ( FSM_MAIN ) 、特征提取模块 ( FEATURE_EXTRACTION ) 、诊断模型模块 ( DIAGNOSTIC_MODEL ) 等，各模块间以流水的形式进行工作，同时设计中采用了门控时钟，操作数隔离，状态机编码等低功耗技术。智能心音异常诊断芯片支持通过串口方式对权重参数存储器进行配置，也可以通过串口来配置异常诊断模型中的神经元数量以及梅尔频谱特征点数目。这种设计方式增加了芯片的灵活性，使其能够适应不同应用场景下的性能和功耗需求。

图 3 智能心音异常诊断芯片架构图

智能心音异常诊断芯片的特性为：

（1）实时心音异常诊断：诊断周期约 5 秒（诊断周期包含 5~10 个心音周期较为合理），每次诊断包含 78 帧，每帧持续 64 毫秒；

（2）基于 LSTM 神经网络：基于 LSTM 与全连接层，隐藏神经元数目支持 16、32、64 可配置；

（3）可配置特征点：采用梅尔频谱作为特征，支持配置 4、8、16、32 个特征点；

（4）异常诊断准确率：在训练和量化后，实现了 98.6% 的异常诊断准确率；

（5）时钟频率：8.192 MHz；

（6）工艺：SMIC 180 nm CMOS Mixed Signal；

（7）Die 尺寸：3.06 mm × 2.45 mm；

（8）封装：采用 LQFP64 封装方式（后续可以去除测试管脚）。

基于图 4 的方案完成了对智能心音异常诊断芯片的 FPGA 原型验证，同时基于 SMIC 180 nm CMOS 混合工艺完成了版图设计来评估功耗，后仿真的结果显示，在 8.19 2MHz 的主频下，Typical-Typical 工艺角下，芯片的后仿真功耗为 762 μ W，面积为 7.50 mm2。

图 4 FPGA 原型验证方案

图 5 智能心音异常诊断芯片版图

4   结束语

本研究以智能心音异常诊断为目标，设计了一种面向数字听诊和穿戴式监测的智能体音芯片—智能心音异常诊断芯片。设计了智能心音异常诊断系统，包括数据采集与预处理、梅尔特征提取以及异常诊断。基于预训练模型，研发了智能心音异常诊断芯片，并通过 FPGA 原型验证与完成了版图。

后仿真结果表明，智能心音异常诊断芯片的功耗为 762 μ W，面积为 7.50 mm2，满足了可穿戴式心音异常诊断设备的高性能与低功耗的需求，为心血管疾病的早期预防和诊断提供了坚实的技术支持，有望在临床实践中产生积极影响。

目前芯片已经投片，并计划采用 LQFP64 封装方式，期待回片测试的结果。

后续智能心音异常诊断芯片会集成蓝牙等通信模块，实现便捷的无线数据传输功能。这将使得体音异常诊断的结果能够迅速而方便地传输至手机等设备，从而实现对心脏状况的长期监测。

作者团队

周维新：男，博士生，研究方向为智能体音诊断算法研究、可穿戴式智能体音芯片设计；

肖宛昂：男，博士，研究员，研究方向为语音芯片设计、无线基带芯片设计以及机器学习的 FPGA 硬件加速；

致谢：中国农业大学信息与电气工程学院的研究生高肇岗、侯志文、常乾军，北京工商大学人工智能学院的研究生高翔、王俊杰参与了本项目的算法和测试工作。

编辑 | 马秀强

校对 | 融媒体工作室

审核 | 陈倩

本号发布信息旨在传播交流。如涉及文字、图片、版权等问题，请在 20 日内与本号联系，我们将第一时间处理。