心脏病是威胁人类健康的重大疾病之一,可穿戴式智能心电监测设备可以实时完成异常心电信号的识别,并通过预警提醒患者到医院就诊,从而降低患者的生命和财产损失。对于此类系统,其关键要求在于保证高准确率的同时,实现较低的系统功耗。然而,现有的可穿戴智能心电监测设备在异常心电识别和心电信号传输中都存在高功耗的问题。在这项工作中,我们提出了一种低功耗的智能心电信号识别系统,该系统包含事件驱动神经网络的人工智能心电识别算法和基于智能识别的自适应心电信号压缩算法。与现有的技术方案相比,本文所提出的方案在保持高准确率的同时,大大降低了异常心电的识别处理功耗与心电信号的传输功耗。首先,论文介绍了智能心电识别的意义,以及国内外研究现状,对该领域内的现有工作做了简要的概述,并分析了它们的优缺点。然后介绍了心电识别相关的背景知识,包括心电信号的基本概念,心电信号的数据库,以及神经网络的基本原理及其在智能心电识别上的应用。随后,论文介绍了心电信号的预处理方法,包括预处理方法的基本原理,心电信号的除噪算法和R峰检测算法。其中,在除噪算法中,重点介绍了常见的几种噪声滤除方法及效果,在R峰检测算法中,重点介绍了广泛采用的Pan-Tompkins算法。接下来,论文详细阐述了提出的事件驱动神经网络算法,以及适用于该架构的偏向性训练方式。通过事件驱动型神经网络,有效的降低了智能心电识别的处理功耗,并通过偏向性训练降低了对准确率的影响。同时,提出了基于智能识别的自适应心电压缩算法,有效的降低了心电信号的传输功耗。为了满足实时性要求,在提出的算法基础上,还设计了针对该算法的心电识别专用神经网络处理硬件,并通过FPGA进行了实现,对其功能和实时性进行了验证,同时评估了硬件资源开销,为下一步低功耗智能心电识别专用处理芯片设计奠定了基础。总结我们的实验结果,提出的智能心电识别算法达到了98.4%的识别准确率,与现有基于神经网络的智能心电识别算法,相比节省了75.5%的运算量,与现有的心电压缩算法相比,压缩比最高提升了4.69倍。同时,实现了基于FPGA的心电识别专用神经网络处理硬件,较好地满足功能和实时性要求。最后,总结我们的研究内容,分析现有工作的不足,提出对后续工作的展望。