本文档属于类型a，即报告了一项原创性研究。以下是详细的学术报告：
研究的主要作者及机构
本研究由Rushik Parmar、Khushil Yadav、Gauraangi Anand和Gaurav Trivedi（IEEE会员）共同完成，他们均来自印度理工学院古瓦哈提分校（Indian Institute of Technology Guwahati）的电子与电气工程、机械工程及土木工程系。该研究发表于2024年6月的《IEEE Transactions on Circuits and Systems—II: Express Briefs》期刊，第71卷第6期，文章编号为3355016。
研究的学术背景
心肌梗死（Myocardial Infarction, MI）是一种冠状动脉阻塞导致的心脏异常，每年造成数百万死亡。MI的死亡率和致残率极高，因此不仅需要检测MI，还需确定阻塞位置以提供及时治疗。目前，心电图（ECG）是检测MI的主要工具，但手动分析多导联ECG耗时且复杂。尽管已有研究致力于开发用于检测心脏异常的穿戴设备，但这些研究主要基于软件实现，且未针对专用集成电路（ASIC）进行优化。本研究的目的是提出一种基于脉冲神经网络（Spiking Neural Network, SNN）的硬件架构，能够实时分类MI位置，并优化面积和功耗，使其适用于穿戴设备。
研究的工作流程
研究包括以下几个主要步骤：
特征提取模块
本研究使用多导联ECG数据进行MI检测和分类。ECG信号中的异常主要集中在0-20 Hz频率范围内。为了提取这些特征，研究采用了离散小波变换（Discrete Wavelet Transform, DWT），并使用Mallat分解算法实现。DWT通过一系列高通和低通滤波器处理数据，并在每一级对输出进行下采样以减少冗余。为了进一步优化硬件资源，研究采用了整数Haar小波变换，直接通过输入函数估计系数，避免了乘法器和下采样电路。研究分析了第5级和第6级的详细系数，并提取了32个系数用于每个导联。最终，特征提取模块生成了256个系数，作为后续分类器的输入。
脉冲神经网络（SNN）分类器的实现
分类器由两个线性层和两个基于泄漏积分点火（Leaky Integrate-and-Fire, LIF）神经元的SNN层组成。第一层为线性层，使用ReLU激活函数，输入特征向量为16位定点表示。第二层为SNN层，当膜电位超过阈值时生成1位脉冲。第三层为线性层，将64个1位脉冲特征向量减少为12个输出。第四层为SNN层，迭代计算25次，最终根据每个类别的最大脉冲数进行分类。这种设计减少了硬件资源需求，尤其是通过使用无乘法器的SNN层显著降低了面积和功耗。
硬件实现与验证
研究首先在Python中验证了分类器的正确性，随后使用Verilog HDL实现，并在Xilinx Virtex-7 FPGA板上进行综合和测试。分类器在250 kHz频率下运行，总分类时间小于650毫秒，满足实时性要求。最后，研究采用SCL 180 nm体CMOS技术实现了ASIC设计，面积利用率为1.69 mm²，功耗为268.9 µW。
研究的主要结果
1. 分类性能
提出的分类器将ECG信号分为12类（包括健康状态和11种MI位置），平均准确率、灵敏度和特异性分别为99.90%、99.49%和99.94%。
2. 硬件性能
在FPGA实现中，分类器仅占用了2.48%的总资源。在ASIC实现中，分类器在1.98 V电压和250 kHz频率下功耗为268.9 µW，面积利用率为1.69 mm²。
3. 与现有方法的比较
与现有方法相比，本研究的分类器在准确率、F1分数、灵敏度和特异性方面均表现优异，且能够分类更多类别的MI位置。
研究的结论
本研究首次提出了一种基于SNN的硬件架构，用于实时分类MI位置。通过优化特征提取和分类器设计，研究显著降低了计算复杂度和硬件资源需求，使其适用于穿戴设备。该分类器在低功耗和低面积要求下实现了高精度分类，具有重要的应用价值。
研究的亮点
1. 创新性
首次提出基于硬件的MI位置分类器，使用SNN和优化的小波变换显著降低了硬件资源需求。
2. 高性能
分类器在准确率、灵敏度和特异性方面均达到99%以上，且能够在低功耗和低面积下实现实时分类。
3. 应用价值
该分类器适用于穿戴设备，能够为MI患者提供及时的检测和定位，具有重要的临床应用前景。
其他有价值的内容
研究还详细讨论了与现有方法的比较，展示了本分类器在硬件资源利用和分类性能方面的优势。此外，研究还提供了ASIC实现的芯片布局图，进一步验证了其可行性。
通过以上报告，可以全面了解本研究的背景、方法、结果及其在学术和应用领域的重要意义。