Details

The subject of the graduate qualification work is “Heartbeat signal classification system for remote medical applications”. Object of the study is heartbeat signal classification, and the subject is deep learning-based embedded implementation. The aim is to develop a high-accuracy ECG classifier for real-time edge deployment. The following tasks were solved: 1.Analyze public ECG datasets and network architectures; 2.Design and train lightweight CNN models; 3.Optimize and deploy the system to embedded platforms. As a result of the study, two CNN models were developed (MSE-CNet-AP and MiniECGNet), and real-time deployment on Single Board Computers, NPU accelerators, and FPGAs was tested. Optimization of both software and hardware implementations were applied. As a result of the study, a classification accuracy of up to 98.75% was achieved. The novelty lies in the combination of multi-platform deployment and optimization for FPGAs and embedded systems. The system can be applied in edge devices and telemedicine. Technologies used: MATLAB, TensorFlow, CUDA, ONNX, JetPack SDK, Gowin IDE, Quartus, C++, Python, etc.

Работа посвящена разработке системы классификации сигналов ЭКГ на основе нейросетевого подхода. Цель работы – создать высокоточный классификатор ЭКГ, пригодный для внедрения в устройства с ограниченными вычислительными ресурсами. Для достижения цели были решены следующие задачи:1. Анализ существующих подходов и выбор архитектуры; 2.Реализация методов предобработки сигналов и выбор датасетов; 3. Тестирование и внедрение модели на различных платформенных решениях. В результате исследования были разработаны и обучены две модели нейронных сетей — MSE-CNet-AP и MiniECGNet, проведена оптимизация программной и аппаратной реализации. Также проведено многоплатформенное развертывание на устройствах. Одноплатные компьютеры, ускорители NPU, FPGA. В результате исследования достигнута точность классификации до 98.75%, новизна заключается в сочетании многоплатформенного развёртывания и оптимизации под ПЛИС/встраиваемые системы. Система может применяться в краевых устройствах и телемедицине. Используемые технологии: MATLAB, TensorFlow, ONNX,C++, Python, CUDA, MATLABCoder, JetPackSDK, Quartus, GowinIDE и др.