Апаратна реалізація імпульсної штучної нейронної мережі для детектування параметрів електрокардіографічного сигналу (ЕКГ

АПАРАТНА РЕАЛІЗАЦІЯ ІМПУЛЬСНОЇ ШТУЧНОЇ НЕЙРОННОЇ МЕРЕЖІ ДЛЯ ДЕТЕКТУВАННЯ ПАРАМЕТРІВ ЕЛЕКТРОКАРДІОГРАФІЧНОГО СИГНАЛУ (ЕКГ)

MACHINE IMPLEMENTATION OF THE IMPULSE ARTIFICIAL NEURAL NETWORK FOR DETECTION OF ELECTROCARDIOGRAPHIC SIGNAL PARAMETERS (ECG)

Сторінки: 126-133. Номер: №4, 2019 (275)
Автори:
Д.В. ЧЕРНЕТЧЕНКО, М.М. МІЛИХ, К.В. ЛУДАНОВ
Дніпропетровський національний університет ім. Олеся Гончара
D.V. CHERNETCHENKO, M.M. MILYKH, K.V. LUDANOV
Dnipropetrovsk National University named after Oles Gonchar
DOI: https://www.doi.org/10.31891/2307-5732-2019-275-4-126-133
Рецензія/Peer review : 09.06.2019 р.
Надрукована/Printed : 17.07.2019 р.

Анотація мовою оригіналу

Портативні пристрої для моніторингу параметрів життєдіяльності людини в реальному часі, такі як переносні електрокардіографи (ЕКГ), стали дуже популярними на сьогодні. У даній роботі запропоновано інтелектуальний та енергоефективний підхід для задачі детектування QRS комплексу з сирих електрокардіографічних (ЕКГ) даних, реалізований за допомогою апаратного рішення. QRS комплекс є однією з найбільш важливих ознак електрокардіограми (ЕКГ), яка забезпечує дуже важливу інформацію про поточний стан серця та серцево-судинної системи в цілому. Новизна нашого підходу полягає в (1) попередній фільтрації сирого сигналу за допомогою алгоритму цифрової фільтрації; (2) кодуванні просторово-часових властивостей ЕКГ-сигналу безпосередньо в спайкову послідовність та її використання для збудження мультистабільної спайкової нейронної мережі (SNN) та (3) у відсутності необхідності будь-якого супервізора для детектування заздалегідь заданих ознак у сигналі. Реалізовано штучну нейронну структуру на мультистабільних нейронах з біологічною подібністю поведінки. Рішення для штучної нейрональної мережі (ANN) впроваджено та перевірено за допомогою архітектури програмованих логічних інтегральних схем (ПЛІС) DIGILENT BASYS II SPARTAN-3E XC3S100E з використанням середовища WebPACKTM ISE 13.3. Результати показали високу точність виявлення R-піків ЕКГ та обчислення RR інтервалі нарізних базах даних: MIT-BIH ECG та внутрішній ЕКГ базі даних лабораторії (intdb), що сигналізує про значний потенціал цього підходу для інтеграції в прототипи майбутніх портативних пристроїв.
Ключові слова: електрокардіограма, ЕКГ, штучні нейронні мережі, мультистабільні нейронні мережі, QRS детектор, спайкові нейроні мережі, FPGA, Spartan-3E, VHDL, нейроморфні рішення.

Розширена анотація англійською мовою

Portable devices for monitoring human lifetime parameters in real time, such as wearing electrocardiographs (ECGs), have become very popular today. In this work, an intellectual and energy-efficient approach for the detection of QRS complex from raw electrocardiographic (ECG) data, implemented with the help of hardware decision. The QRS complex is one of the most important electrocardiograms (ECGs), which provides very important information about the current state of the heart and the cardiovascular system as a whole. However, the problems associated with the accuracy of QRS real-time detection of complexes and the classification of various features of the ECG signal structure and the energy efficiency of such hardware solutions remain open questions. The novelty of our approach is (1) preliminary filtration of the raw signal using the digital filtering algorithm; (2) encoding the spatial-temporal properties of the ECG signal directly into the adhesive sequence and its use to excit the multi-stable adhesion neural network (SNN); and (3) in the absence of any supervisor to detect predetermined signals in the signal. An artificial neural structure is implemented on multi-stable neurons with a biological similarity of behavior. An artificial neural network (ANN) solution was implemented and verified using the DIGILENT BASYS II SPARTAN-3E XC3S100E programmable logic integrated circuits (FPGAs) architecture using the WebPACKTM ISE 13.3 environment. The transmission of incoming and outgoing digital data between a FPGA device and a PC is implemented using a universal asynchronous transfer interface (UART). The results showed a high accuracy of the detection of R-peaks of ECG and RR calculation of the interval of rifled databases: the MIT-BIH ECG and the internal ECG of the laboratory database (intdb), which signals the significant potential of this approach for integration into prototypes of future portable devices.
Keywords: electrocardiogram, ECG, artificial neural networks, multi-stable neural networks, QRS detector, spin neural network, FPGA, Spartan-3E, VHDL, neuromorphic solutions.

References

1. Tekeste, H. Saleh, B. Mohammad, A. Khandoker, M. Elnaggar, A nano-watt ecg feature extraction engine in 65nm technology, IEEE Transactions on Circuits and Systems II: Express Briefs PP (99) (2017) 1–1. DOI: 10.1109/TCSII. 2017.2658670.
2. Arbateni, A. Bennia, Sigmoidal radial basis function ANN for QRS complex detection, Neurocomputing 145 (2014) 438 – 450. DOI: https://doi.org/10.1016/j.neucom.2014.05.009.
3. Ravanshad, H. Rezaee-Dehsorkh, R. Lotfi, Y. Lian, A level-crossing based qrs-detection algorithm for wearable ecg sensors, IEEE Journal of Biomedical and Health Informatics 18 (1) (2014) 183–192.
4. Jain, M. Ahirwal, A. Kumar, V. Bajaj, G. Singh, QRS detection using adaptive filters: A comparative study, ISA Transactions 66 (2017) 362–375. DOI: https://doi.org/10.1016/j.isatra.2016.09.023.
5. Karimipour, M. R. Homaeinezhad, Real-time electrocardiogram p-qrs-t detection delineation algorithm based on quality-supported analysis of characteristic templates, Computers in Biology and Medicine 52 (2014) 153–165. DOI: https://doi.org/10.1016/j.compbiomed.2014.07.002.
6. Van Helleputte, M. Konijnenburg, J. Pettine, D.-W. Jee, H. Kim, A. Morgado, R. Van Wegberg, T. Torfs, R. Mohan, A. Breeschoten, et al., A 345 µw multi-sensor biomedical soc with bio-impedance, 3-channel ecg, motion artifact reduction, and integrated dsp, IEEE Journal of Solid-State Circuits 50 (1) (2015) 230–244.
7. Krasauskas, L. Telksnys, Ubiquitous personal heart rate long distance transmission to the treatment centers based on smart mobile phone application, in: 2015 IEEE 3rd Workshop on Advances in Information, Electronic and Electrical Engineering (AIEEE), 2015, pp. 1–4. DOI: 10.1109/AIEEE.2015.7367297.
8. Wilson, P., Metcalfe, B., Graham-Harper-Cater, J., & Bailey, J. A. “A reconfigurable architecture for real-time digital simulation of neurons”. 2017 Intelligent Systems Conference (IntelliSys). DOI: 10.1109/intellisys.2017.8324340.
9. A. Bailey et.al., “Behavioral simulation and synthesis of biological neuron systems using synthesizable VHDL”, Neurocomputing, Elsevier B.V., pp. 2392-2406, 2011, DOI: 10.1109/BMAS.2008.4751231.
10. U. Diehl, M. Cook, Unsupervised learning of digit recognition using spiketiming-dependent plasticity, Frontiers in computational neuroscience 9 (0) (2015) 0–0.
11. Tavanaei, A. S. Maida, A spiking network that learns to extract spike signatures from speech signals, Neurocomputing 240 (2017) 191–199.
12. Du, K. Odame, A bio-inspired ultra-low-power spike encoding circuit for speech edge detection, in: Biomedical Circuits and Systems Conference (BioCAS), 2011 IEEE, IEEE, 2011, pp. 289–292.
13. Podili, A., Zhang, C., & Prasanna, V. “Fast and efficient implementation of Convolutional Neural Networks on FPGA”. 2017 IEEE 28th International Conference on Application-Specific Systems, Architectures and Processors (ASAP). DOI: 10.1109/asap.2017.7995253.
14. Schaffer J. D. Evolving spiking neural networks: A novel growth algorithm corrects the teacher // Proc. Of2015 IEEE Symposium on Computational Intelligence for Security and Defense Applications (CISDA). 26-28 May 2015, pp. 1–8.
15. Yongqiang Cao, Yang Chen, Deepak Khosla. Spiking Deep Convolutional Neural Networks for Energy-Efficient Object Recognition // Proc, of International Journal of Computer Vision. May 2015, Volume 113, Issue 1, pp 54–66.
16. , EliasmithC. Spiking Deep Networks with LIF Neurons. – arXiv: 1510.08829, 2015.
17. R. Borges et.al., “Effects of the spike timing- dependent plasticity on the synchronization in a random Hodgkin-Huxley neuronal network”, Communications in Nonlinear Science and Numerical Simulation, Elsevier B.V., pp. 12-22, 2015, DOI: 10.1016/j.cnsns.2015.10.005.
18. A. Henderson, T. A. Gibson, J. Wiles. Spike Event Based Learning in Neural Networks. – arXiv: 1502.05777, 2015.
19. M. Izhikevich, Simple model of spiking neurons, IEEE Transactions on neural networks 14 (6) (2003) 1569–1572
20. M. Snezhko, D.V. Chernetchenko, Dynamics of electrical potentials of neuron networks models with non-linear activation functions, Vestnik DNU, 2012.
21. Diehl P.U. Neil D., Binas, J., Cook, M., Liu,  C., Pfeiffer,  M.  Fast-Classifying, High-Accuracy Spiking Deep Networks Through Weight and Threshold Balancing // Proc. of IEEE International Joint Conference on Neural Networks (IJCNN), 2015.
22. Pan and W. J. Tompkins, “A Real-Time QRS Detection Algorithm,” IEEE Transactions on Biomedical Engineering, vol. BME-32, no. 3, pp. 230–236, 1985.
23. S:VHDL Starter’s Guide (2nd Ed); Prentice-Hall. 2005.