一种基于AI芯片的生物监测数据处理方法及系统与流程

本技术涉及生物医学信号处理，具体而言，涉及一种基于ai芯片的生物监测数据处理方法及系统。

背景技术：

1、在穿戴式心电监测领域，为了实现对心电信号的长时间逐拍分析并实时检出异常事件，现有设备通常内置ai芯片作为核心处理器。ai芯片通过轻量级神经网络模型提取心电波形的特征，进而判断心搏状态。为了在长时间连续监测中延长设备的续航时间，ai芯片普遍配备了功耗管理机制。当设备电池电量下降或芯片温度升高时，功耗管理单元会自动将模型的权重和激活值从高精度的浮点运算切换为低位宽的整型量化推理，从而在维持持续监测的同时降低能耗。然而，在这种低功耗量化推理场景下，当被监测者处于静息状态或轻微活动时，可能会出现由心肌缺血引起的非持续性st段微幅偏移。这种偏移通常表现为短暂的、幅度仅在0.05毫伏至0.1毫伏之间的水平型或下斜型压低。此时，ai芯片的量化推理引擎正处于低位宽模式，其对输入心电信号中st段微弱电压变化的数值分辨能力显著下降。由于偏移幅度接近量化后的数值表达粒度边缘，这种微小的电位差值在量化过程中容易落在同一量化区间内，或者仅表现为最低有效位的翻转。在特征提取网络中，这种微小的变化表现为类似噪声的波动，无法被推理引擎有效识别为具有临床意义的特征。结果是，ai芯片仍按照常规流程完成推理，但分类器将这些真实的异常心拍判定为正常心拍，不仅未能发出任何预警，反而可能利用这些被误判的心拍更新局部基线，使得后续的对比基线被轻度污染。现有常规的功耗管理和量化机制通常只关注全局的准确率损失和能耗指标，缺乏针对特定生理信号区间特征敏感度的动态评估，因此很难察觉这种集中在微弱病理特征上的隐性信息丢失。

技术实现思路

1、为了解决现有技术的不足，本技术提供一种基于ai芯片的生物监测数据处理方法及系统，能够解决穿戴式心电监测在低功耗量化推理场景下，因对st段微幅偏移等病理特征分辨能力不足而导致缺血心拍漏检及基线污染的技术问题。

2、第一方面，本技术提供一种基于ai芯片的生物监测数据处理方法，包括：

3、获取当前心拍的生理监测数据、ai芯片的状态参数以及历史基线数据，生理监测数据为反映被监测对象生命体征的时序信号，历史基线数据由已被判定为可信正常心拍的历史生理监测数据更新形成；

4、基于ai芯片的状态参数，对当前心拍的生理监测数据执行低位宽量化推理，得到当前心拍的初级类别判定结果，并提取当前心拍在目标波形窗口内的局部特征响应；

5、根据ai芯片的状态参数、当前心拍在目标波形窗口内的幅值变化量以及局部特征响应的衰减程度，判断当前心拍是否存在量化失真风险；

6、根据判断结果将当前心拍划分为可信正常心拍或可疑心拍，并基于初级类别判定结果生成最终类别判定结果；

7、基于最终类别判定结果生成当前心拍的特征可信度等级，根据特征可信度等级控制历史基线数据的更新；

8、将当前心拍的最终类别判定结果、特征可信度等级以及更新后的历史基线数据输入至下一心拍的处理流程。

9、可选地，获取当前心拍的生理监测数据、ai芯片的状态参数以及历史基线数据的步骤包括：

10、通过模数转换器以设定的采样率实时获取数字化心电信号，并将数字化心电信号持续存入ai芯片的片上静态随机存取存储器中的环形缓冲区；

11、从环形缓冲区中截取包含完整p-qrs-t波群的单拍心电数据段，作为当前心拍的生理监测数据；

12、获取ai芯片的量化步长、量化缩放因子和零点偏移量作为状态参数；

13、调取当前的局部波形参考基线，作为历史基线数据。

14、可选地，基于ai芯片的状态参数，对当前心拍的生理监测数据执行低位宽量化推理，得到当前心拍的初级类别判定结果，并提取当前心拍在目标波形窗口内的局部特征响应的步骤包括：

15、根据ai芯片的状态参数中的量化缩放因子和零点偏移量，将当前心拍的生理监测数据中的浮点电压值映射为低位宽整型数值；

16、将映射后的低位宽整型数据输入ai芯片，通过多层低位宽的卷积运算进行特征提取，生成包括全局波形信息的特征图；

17、根据特征图通过分类判定链路输出当前心拍的初级类别判定结果，初级类别判定结果包括正常类别和异常类别；

18、从特征图中识别当前心拍的qrs波群的r波峰值位置，基于预设时间常数将r波峰值位置向后偏移，定位出当前心拍的波形分析窗口，以波形分析窗口作为目标波形窗口；

19、提取特征图在目标波形窗口内的局部激活值，作为目标波形窗口内的局部特征响应。

20、可选地，根据ai芯片的状态参数、当前心拍在目标波形窗口内的幅值变化量以及局部特征响应的衰减程度，判断当前心拍是否存在量化失真风险的步骤包括：

21、在当前心拍的生理监测数据上计算目标波形窗口内的信号幅值变化极差和方差，作为当前心拍在目标波形窗口内的幅值变化量；

22、将幅值变化量与ai芯片的状态参数中的量化步长相除，得到数值分辨比率；

23、计算局部特征响应的激活稀疏度，并将激活稀疏度与历史基线数据在正常状态下的平均激活稀疏度进行比较，得到特征衰减系数；

24、将数值分辨比率的倒数和特征衰减系数进行加权求和，计算得到当前心拍的量化失真风险指数；

25、将当前心拍的量化失真风险指数与预设风险阈值进行比较；

26、若量化失真风险指数小于预设风险阈值，则判断当前心拍不存在量化失真风险，否则判断当前心拍存在量化失真风险。

27、可选地，根据判断结果将当前心拍划分为可信正常心拍或可疑心拍，并基于初级类别判定结果生成最终类别判定结果的步骤包括：

28、若判断结果指示当前心拍不存在量化失真风险，则将当前心拍划分为可信正常心拍，并将初级类别判定结果直接作为最终类别判定结果；

29、若判断结果指示当前心拍存在量化失真风险，则将当前心拍划分为可疑心拍，对当前心拍的生理监测数据在目标波形窗口内执行局部高分辨复核，得到复核类别判定结果，并根据复核类别判定结果修正初级类别判定结果，以修正后的类别判定结果作为最终类别判定结果。

30、可选地，对当前心拍的生理监测数据在目标波形窗口内执行局部高分辨复核，得到复核类别判定结果的步骤包括：

31、提取当前心拍的生理监测数据在目标波形窗口内的原始浮点数据片段，输入至ai芯片的高分辨补偿计算链路，在无量化截断环境下提取目标波形窗口内的微幅压低特征，生成高分辨局部特征；

32、将高分辨局部特征融合至特征图，根据融合后的特征图通过分类判定链路输出当前心拍的复核类别判定结果。

33、可选地，根据复核类别判定结果修正初级类别判定结果的步骤包括：

34、当复核类别判定结果为异常时，将初级类别判定结果强制修正为异常，并以修正后的异常结果作为最终类别判定结果；

35、当复核类别判定结果为正常时，维持初级类别判定结果，并以初级类别判定结果作为最终类别判定结果。

36、可选地，基于最终类别判定结果生成当前心拍的特征可信度等级的步骤包括：

37、当最终类别判定结果为正常且当前心拍为可信正常心拍时，将特征可信度等级设定为高可信度；

38、当最终类别判定结果为正常且当前心拍为可疑心拍时，将特征可信度等级设定为中可信度；

39、当最终类别判定结果为异常且当前心拍为可疑心拍时，将特征可信度等级设定为低可信度。

40、可选地，根据特征可信度等级控制历史基线数据的更新的步骤包括：

41、当特征可信度等级设定为高可信度时，允许当前心拍以第一预设权重参与历史基线数据的更新，将当前心拍在目标波形窗口内的波形与历史基线数据中的基线模板进行对齐，并以第一预设权重将当前心拍的波形融入基线模板中，得到更新后的历史基线数据；

42、当特征可信度等级设定为中可信度时，允许当前心拍以低于第二预设权重参与历史基线数据的更新，得到更新后的历史基线数据，第二预设权重小于第一预设权重；

43、当特征可信度等级设定为低可信度时，禁止当前心拍参与历史基线数据的更新。

44、第二方面，本技术还公开了一种基于ai芯片的生物监测数据处理系统，用于执行上述任一项的方法，包括：

45、信息获取模块，用于获取当前心拍的生理监测数据、ai芯片的状态参数以及历史基线数据；

46、低位宽量化推理模块，用于基于ai芯片的状态参数，对当前心拍的生理监测数据执行低位宽量化推理，得到当前心拍的初级类别判定结果，并提取当前心拍在目标波形窗口内的局部特征响应；

47、风险评估模块，用于根据ai芯片的状态参数、当前心拍在目标波形窗口内的幅值变化量以及局部特征响应的衰减程度，判断当前心拍是否存在量化失真风险；

48、判定修正模块，用于根据判断结果将当前心拍划分为可信正常心拍或可疑心拍，并基于初级类别判定结果生成最终类别判定结果；

49、可信度分级及基线更新模块，用于基于最终类别判定结果生成当前心拍的特征可信度等级，根据特征可信度等级控制历史基线数据的更新；

50、数据承接模块，用于将当前心拍的最终类别判定结果、特征可信度等级以及更新后的历史基线数据输入至下一心拍的处理流程。

51、本技术通过引入量化失真风险评估机制，解决了低功耗量化推理场景下因数值分辨能力退化导致的病理特征漏检问题，在执行低位宽推理的同时，实时监测目标波形窗口内的幅值变化与特征响应衰减，一旦发现存在量化失真风险，即触发局部高分辨复核链路，确保了微弱st段偏移等异常特征的准确识别。同时，通过建立特征可信度等级并动态控制历史基线更新，有效避免了异常心拍对基线的污染，显著提升了穿戴式心电监测系统在低功耗模式下的长期监测准确性与可靠性。