基于HLS编译PYNQ平台的心律失常量化ECG图像检测系统：并行化CNN架构与硬件优化

本研究针对FPGA(现场可编程门阵列)部署深度学习模型时存在的内存访问瓶颈和计算延迟问题，提出了一种基于高位合成(HLS)的并行双分支卷积神经网络(PQP-CNN)，通过量化ECG心拍图像至4比特(UINT4)、设计跳零权重(SZW)架构和融合加池单元，在PYNQ-Z2开发板上实现97.79%分类准确率(基于MIT-BIH数据集)，为便携式医疗设备提供236ms低延迟解决方案。

　　

心脏疾病是全球主要死亡原因之一，而心律失常的早期诊断对挽救生命至关重要。传统心电图(ECG)分析依赖医生经验，深度学习虽能提升诊断精度，但复杂的卷积神经网络(DCNN)在资源有限的便携设备上部署时，就像试图把大象塞进冰箱——面临内存占用大、计算延迟高、功耗惊人三大难题。更棘手的是，医疗场景对模型准确性和实时性有着近乎苛刻的双重要求，现有FPGA实现方案要么牺牲精度采用1D-CNN，要么陷入量化误差与资源消耗的恶性循环。

针对这一系列挑战，研究人员开发了一套革命性的解决方案：基于AMD-Xilinx高位合成(HLS)工具链，在PYNQ-Z2开发板上构建了首个支持4比特量化ECG心拍图像的并行双分支CNN架构。这项研究巧妙融合了硬件优化与算法创新，通过三项核心技术突破：1）并行量化像素卷积(PQP-Conv)模块，将滤波器点乘操作并行化；2）跳零权重(SZW)单元，智能跳过零值权重计算；3）加法-池化融合单元，减少50%内存访问。最终在仅占用31.93%查找表(LUT)资源的情况下，实现了63 GOPS的惊人吞吐量。

关键技术方法包括：采用MIT-BIH心律失常数据库(AAMI EC57标准)的64×64灰度心拍图像；设计双分支2D-CNN架构（细粒度局部特征+全局上下文特征）；使用Vitis HLS 2022.2进行C++硬件建模；实施层间动态量化策略保持UINT4精度；通过Vivado工具评估资源占用与时序性能。

【Related works】
现有研究多采用结构化剪枝或8比特量化压缩模型，但会引发精度失衡问题。相比Verilog HDL实现的1D-CNN方案，本研究首次实现2D-CNN在FPGA上的高效部署，且无需牺牲关键权重。

【Methodology】
创新性地将标准卷积与PQP-Conv分层应用：前两层处理原始量化图像，后续层启用并行卷积。通过消除ReLU激活函数，利用UINT4的非负特性简化计算，DSP单元占用控制在50.45%。

【Experimental results】
硬件测试显示：对N/S/V/F/Q五类心拍的分类准确率达97.79%，较同类FPGA方案提升6.2%；功耗降低至2.3W；BRAM占用仅30%，证明4比特量化的有效性。

【Conclusion】
该研究开创性地将医疗AI推理加速器开发周期从数月缩短至数周，其HLS-C++协同设计范式为边缘计算医疗设备树立了新标杆。特别值得注意的是，SZW架构使零权重过滤效率提升40%，这对未来超声、EEG等生物信号处理器的开发具有普适意义。PYNQ框架的Python接口设计，更使得该设备可直接应用于基层医疗机构，有望改变偏远地区心脏监护资源匮乏的现状。