基于FPGA的复合自适应滤波器

论文摘要

体感诱发电位(Somatosensory Evoked Potential;SEP)是神经受到外界刺激时所记录到的电生理反应,可以反映脊髓和中枢神经系统功能的完整性,被应用于术中脊髓监护。临床使用中,SEP的检测受很多噪声源的影响,使SEP的信噪比非常低。如何有效地从强噪声背景中提取SEP成为信号处理技术的重要问题之一。目前市场上现有的监护设备均是基于平均叠加技术来拾取诱发电位,主要不足在于耗时长、缺乏动态变异信息。诱发电位检测时间的延误可能耽搁对脊髓损伤的诊断,会错过对患者进行补救的时机而出现不可逆的神经功能损害。本研究将新的电子芯片技术与现代信号处理技术相结合,从过去单一的软件算法研究,转向软件与硬件结合,从而加快信号处理的速度,实现术中SEP的实时监护奠定一定的基础。研究中,软件算法采用自适应滤波器技术与径向基函数神经网络技术相结合的方法,将SEP信号经自适应噪声消除器初步提高信噪比,然后以径向基函数神经网络递推出参考信号进行自适应信号增强。设计中引入径向基函数替代常规使用的叠加平均信号,作为自适应信号增强器的参考信道的信号。这既解决了在自适应滤波器中,叠加平均技术造成的费时和掩盖信号的变异性,又迎合了SEP的非线性特征。研究中,采用可编程逻辑器件(FPGA)作为新的SEP快速提取算法的硬件载体,加快信号处理的速度。为了将SEP快速提取算法转换为常用的适合于FPGA芯片的定点数算法,研究中详细分析了定点数的量化效应对自适应噪声消除器、径向基函数神经网络和自适应信号增强器的影响,以及对浮点数算法和定点数算法的复合自适应滤波器的各种参数的选择,如步长因子、隐单元数和字长选择。研究中以定点数算法中的步长因子、隐单元数和字长选择原理,作为FPGA设计的基础,利用串并结合的硬件结构实现自适应噪声消除器、径向基函数神经网络和自适应信号增强器,并得到了预期的效果,准确提取出SEP信号的波幅和潜伏期。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 引言
• 1.2 体感诱发电位概述
• 1.3 体感诱发电位检测方法
• 1.3.1 平均叠加技术
• 1.3.2 自适应滤波
• 1.3.3 人工神经网络
• 1.3.4 小波变换
• 1.3.5 总结
• 1.4 实时信号处理
• 1.5 本文研究的内容
• 第二章 实时信号处理
• 2.1 实时信号处理器件
• 2.1.1 专用集成电路
• 2.1.2 FPGA器件
• 2.1.3 DSP器件
• 2.2 实时信号处理硬件实现的发展
• 2.3 实时信号处理的流程
• 2.4 实时信号处理软件算法技术
• 2.4.1 浮点数与定点数
• 2.4.2 量化及量化效应
• 2.4.3 基于Matlab的定点数算法设计
• 2.5 本章总结
• 第三章 用于体感诱发电位提取的复合自适应滤波器
• 3.1 复合自适应滤波器原理
• 3.2 复合自适应滤波器仿真实验设计
• 3.3 自适应噪声消除器
• 3.3.1 自适应噪声消除器原理
• 3.3.2 LMS算法及其量化效应
• 3.3.3 实验结果与分析
• 3.3.4 实验总结
• 3.4 径向基函数神经网络
• 3.4.1 径向基函数神经网络算法分析
• 3.4.2 实验结果与分析
• 3.4.3 实验总结
• 3.5 自适应信号增强器
• 3.5.1 自适应信号增强器原理
• 3.5.2 实验结果与分析
• 3.5.3 实验总结
• 3.6 本章总结
• 第四章 基于FPGA设计的复合自适应滤波器
• 4.1 引言
• 4.2 算术运算模块
• 4.3 LMS模块
• 4.4 径向基函数神经网络模块
• 4.5 复合自适应滤波器
• 4.6 本章总结
• 第五章 结论与展望
• 5.1 总结
• 5.2 展望
• 参考文献
• 发表论文和参加科研情况说明
• 致谢