摘要
可穿戴式心电图（ECG）监测设备能够实现持续的心脏监测，但大多数设备仍依赖于基于云的分析，且在设备端对多类心律失常的检测支持有限。脉冲神经网络（SNNs）在低功耗边缘计算方面具有潜力，但目前尚不清楚类别不平衡损失设计如何与直接训练的量化SNNs中的RR间期特征相互作用，而且在这种环境下使用FPGA进行验证的研究也相对较少。我们提出了一种量化卷积脉冲神经网络（QCSNN），用于在资源受限的硬件上进行实时心律失常检测。该模型采用双头架构，同时训练二分类器和四分类器，随后将这些分类器重新组织成一个级联流程，仅将异常心跳传递到第二阶段。在推理过程中，第一阶段将心跳分类为“正常”；只有被分类为“异常”的心跳才会被传递到四分类器阶段，因此大部分推理计算负担由第一阶段承担。我们评估了两种损失函数：交叉熵（Cross-Entropy）和聚焦损失（Focal Loss），并在四种RR特征路由策略下进行了测试。在没有RR特征的情况下，聚焦损失使整体F1分数比交叉熵提高了2.3%–2.5%（第二阶段的平均Δ = +0.013；Wilcoxon双侧p值 = 0.031）。当使用RR特征时，这种优势显著减弱（所有RR特征路由方式下的Wilcoxon双侧p值 ≥ 0.219）；同时，最强的RR特征路由方式使第二阶段的整体F1分数提高了0.028%–0.034%，具体提升幅度取决于所使用的损失函数——这一提升超过了聚焦损失相对于交叉熵的全部优势，表明RR特征提供了能够补偿输入端类别不平衡的判别信息。基于临床优先考虑的敏感性要求，我们将CE:RR→Both配置部署在PYNQ-Z2 FPGA上，实现了99.02%的级联准确率、每次心跳11.54毫秒的延迟以及0.33瓦的加速器功耗——与GPU相比，功耗降低了31.66倍，能量消耗降低了4.01倍，而整体F1分数仅下降了1%。这些结果表明，量化SNNs是一种实用的实时边缘心律失常监测解决方案，无需依赖云连接即可独立运行——从而消除了网络依赖性带来的延迟、连接中断故障以及持续传输带来的能耗问题。据我们所知，这是首次系统性地研究损失函数与RR特征在直接训练的SNN心律失常分类中的相互作用，也是首次在FPGA上部署完全量化的、直接训练的SNN用于多类ECG心律失常检测的案例。本研究中生成和使用的所有代码均已公开发布。
