一种基于稀疏卷积神经网络的低功耗轻量级处理器，用于可穿戴癫痫检测设备

《Microelectronics Journal》：A Low-Power Lightweight Processor Based on Sparse Convolutional Neural Network for Wearable Epilepsy Detection Devices

　　**摘要**
癫痫信号复杂多样，传统的手动检测方法耗时、劳动强度大且错误率较高。因此，迫切需要开发高效可靠的自动癫痫检测技术。本研究提出了一种基于稀疏卷积神经网络（SCNN）的低功耗、轻量级的癫痫检测IP设计。首先，该方案利用过采样技术平衡样本分布，并结合带通滤波器来抑制噪声；其次构建了一维稀疏卷积神经网络模型，采用非结构化剪枝来确定最佳稀疏度，并引入基于阈值的唤醒机制以实现动态功耗控制；最后设计了稀疏权重压缩存储格式，构建了高能效的稀疏卷积神经网络硬件架构。在CHB-MIT数据集上的验证表明，癫痫检测准确率达到99.24%。该芯片采用TSMC 28nm工艺制造，面积为0.595mm2，功耗为15.38mW，单次检测延迟为0.343ms，能耗为5.27μJ/次。

**引言**
根据世界卫生组织的数据，癫痫是一种常见的慢性脑部疾病，影响着全球数千万人[1]。癫痫发作可能导致行为、运动、情绪和意识的严重障碍，甚至可能造成伤害或死亡[2]。因此，及时检测癫痫发作并采取适当的干预和警告措施可以大大降低患者的风险并提高其生活质量[3]。癫痫发作本质上是由于脑部病变处的神经元异常放电引起的，分析这些神经信号的变化可以判断是否发生了癫痫发作。脑电图（EEG）作为目前临床诊断癫痫的主要方法，可以通过头皮电极记录大脑神经电活动来有效捕捉癫痫发作期间的特征性电生理变化[4]。EEG波形分析主要依赖于医生的经验和视觉观察。然而，癫痫发作的低频率、EEG分析的漫长耗时过程以及诊断结果的主观性，促使人们迫切需要开发一种准确可靠的计算机辅助诊断（CAD）系统，以帮助神经科医生高效地从EEG信号中识别癫痫。

随着人工智能技术的发展，可以通过机器学习（ML）和深度学习（DL）技术实时监测生物信号来实现癫痫检测[5]。基于机器学习的癫痫检测方法分为两个阶段：特征提取和分类识别。特征提取阶段主要包括时域特征[6]、频域特征[7]和时频域特征[8]。例如，参考文献[6]提出了一种以EEG信号的相位作为输入特征的自动癫痫检测系统；参考文献[7]使用快速傅里叶变换（FFT）提取EEG波形的频域特征；参考文献[8]使用短时傅里叶变换（STFT）提取EEG波形的时频域特征。常用的分类和识别算法包括贝叶斯网络（BN）[9]、支持向量机（SVM）[10]和决策树（DT）[11]等[9]结合小波变换（WT）与贝叶斯网络对癫痫信号进行分类；参考文献[10]利用EEG信号的复杂性特征通过支持向量机进行癫痫检测；参考文献[11]使用两级离散小波变换和基于AdaBoost的决策树分类器进行癫痫分类。尽管基于机器学习的癫痫检测具有较高准确性，但它依赖于手动特征选择和耗时的特征提取过程，这影响了实际应用的效率。深度神经网络的兴起推动了癫痫检测的发展。卷积神经网络（CNN）通过端到端的特性自动提取EEG信号的深层特征，特别适合处理不规则信号[12]。参考文献[12]提出了用于检测癫痫发作的深度卷积神经网络；参考文献[13]使用CNN从SEEG信号中提取时域和频域特征以有效检测癫痫发作；参考文献[14]利用圆锥形一维CNN实现癫痫的准确检测[14]。CNN主要利用EEG信号的空间特征进行癫痫检测，但缺乏对时间关系的考虑。为了更好地提取EEG信号的时间特征，采用了循环神经网络（RNN）进行检测[15]；参考文献[16]提出了一种结合长短期记忆（LSTM）和小波变换的癫痫检测方法；参考文献[17]提出了一种基于时频分析和双向门控循环单元（Bi-GRU）的癫痫检测方法；参考文献[18]使用1-D CNN-LSTM模型进行癫痫检测；参考文献[19]提出了一种用于识别EEG中癫痫发作的卷积长短期记忆网络；参考文献[20]提出了一种时序后图卷积神经网络（PGCN）来提取癫痫信号的时间序列特征。

然而，现有的癫痫检测研究大多集中在算法层面的改进，缺乏临床硬件实现。过分追求检测精度忽视了实际应用中的资源和功耗限制，难以满足医疗场景中对高效率、稳定性和便携性的需求[20]。参考文献[21]提出了一种基于卷积神经网络的专用协处理器；参考文献[22]提出了一种基于随机梯度下降的在线无监督逻辑回归癫痫分类器；参考文献[23]提出了一种可编程的针对患者的SoC用于癫痫检测。许多现有的神经网络加速芯片属于密集计算架构，随着神经网络压缩技术的进步，神经网络模型逐渐应用于稀疏计算架构[23]。参考文献[24]提出了一种具有非结构化稀疏性的神经网络加速器；参考文献[25]提出了一种全局优化的稀疏卷积加速器，具有高能效和性能。

尽管神经网络克服了特征提取的限制并显著提高了检测精度，但传统的卷积神经网络参数众多、计算复杂且存储开销大，导致硬件实现的功耗和硬件开销较高，难以在资源受限的硬件平台上部署。为了解决这些问题，本研究采用软硬件协同设计方法，提出了一种低功耗、轻量级的稀疏卷积神经网络硬件架构，将神经网络稀疏压缩算法与稀疏加速技术相结合，既降低了处理功耗和硬件开销，又保持了高检测精度。本研究的主要贡献如下：
(1) 提出了一种端到端的轻量级一维稀疏卷积神经网络模型，通过非结构化剪枝技术将网络稀疏度提高了65%，并在CHB-MIT数据集上的检测准确率达到99.24%；
(2) 提出了一种基于阈值的唤醒机制，实现了卷积神经网络的动态功耗控制，虽然精度损失约为1.56%，但使CNN有超过65%的时间处于低功耗状态；
(3) 提出了一种面向稀疏计算的卷积神经网络硬件架构，并设计了稀疏存储格式以实现权重的高效解码。在0.9 V电源电压和50 MHz工作频率下，该设计单次检测延迟为0.343 ms，单次检测能耗为5.27 μJ/次。

本文的其余部分安排如下：第2节介绍癫痫检测模型的构建过程；第3节介绍稀疏卷积神经网络的硬件实现；第4节展示实验结果并与相关论文进行比较分析；第5节讨论本文的研究内容；第6节总结全文。

**癫痫检测模型设计**
基于稀疏卷积神经网络的癫痫检测模型构建过程如图1所示，主要包括四个步骤：数据准备、数据预处理、模型构建和模型压缩。首先确定并预处理用于癫痫检测的发作间期和发作期数据，然后构建一维卷积神经网络模型并进行性能评估，最后对构建的模型进行权重剪枝。

**癫痫检测IP硬件设计**
癫痫检测硬件IP架构如图4所示，包括七个主要部分：顶层控制模块、SRAM存储和读写控制模块、阈值唤醒模块、稀疏解码模块、PE操作数组、激活函数模块和池化模块。神经网络计算采用逐层计算模式，不同层通过时分复用共享相同的计算资源，大大提高了计算资源的利用率。

**实验结果与分析**
本研究在配备AMD Ryzen 5 3500U 2.10 GHz处理器的笔记本电脑上进行实验。1D-SCNN模型在Anaconda3、TensorFlow 2.1和Python 3.12（CPU版本）环境中进行训练。非结构化剪枝使用官方的TensorFlow模型优化工具进行。硬件IP设计使用EDA仿真工具VCS、逻辑综合工具Design Compiler、物理布局工具IC Compiler以及Mentor的图形界面Calibre。

**癫痫检测讨论**
尽管本文提出的硬件架构在28 nm工艺下实现了显著的功耗和面积优势，但在实际应用于可穿戴设备时仍存在一些临床限制。首先，需要在不同患者间提高模型的泛化能力。本研究使用CHB-MIT儿科数据集进行评估，而该数据集中的EEG特征存在显著差异。如果不对模型进行个性化调整，所提出的模型的检测效果可能会下降。

**结论**
本文提出了一种基于稀疏卷积神经网络的癫痫检测硬件IP核心，旨在解决现有癫痫检测系统的高功耗和硬件成本问题。首先建立了一个硬件友好的1D-SCNN模型，并结合非结构化剪枝算法降低模型复杂性；然后构建了轻量级的稀疏卷积神经网络硬件架构，并引入了阈值唤醒机制。

**利益声明**
作者声明没有已知的竞争性财务利益或个人关系可能影响本文的工作。

**致谢**
本研究部分得到了国家自然科学基金（项目编号62474100）、宁波市科技创新重大专项（项目编号2024T016）的支持，以及宁波大学“双一流”合作定向科技合作项目（项目编号HK2025000072）的支持；同时得到了浙江教育厅的一般研究项目支持。

- 张一工 | 王慧红 | 王颖 | 施汉宇 | 张月军 | 王鹏军
- 宁波大学电气工程与计算机科学学院，中国宁波315211