在树莓派上使用小波和深度学习部署信号分类器及分割网络

### 在树莓派上使用小波和深度学习部署信号分类器及分割网络 #### 一、使用小波和深度学习在树莓派上部署信号分类器 ##### 1.1 概述 此示例展示了如何使用连续小波变换（CWT）和深度卷积神经网络（CNN）对人类心电图（ECG）信号进行分类的工作流程，同时还提供了如何在树莓派（基于 ARM 的设备）上生成和部署代码及 CNN 进行预测的信息。 ##### 1.2 数据描述 本示例使用来自 PhysioNet 的 ECG 数据，这些数据来自三组人群：患有心律不齐（ARR）的人、患有充血性心力衰竭（CHF）的人以及正常窦性心律（NSR）的人。数据集包含 96 个 ARR 记录、30 个 CHF 记录和 36 个 NSR 记录，这些记录来自三个 PhysioNet 数据库：MIT - BIH 心律失常数据库、MIT - BIH 正常窦性心律数据库和 BIDMC 充血性心力衰竭数据库。可从 GitHub 仓库下载上述数据的简化版。 ##### 1.3 先决条件 - ARM 处理器，支持 NEON 扩展 - ARM 计算库版本 19.05（在目标 ARM 硬件上） - 编译器和库的环境变量 - 树莓派硬件的 MATLAB 支持包 - 深度学习库的 MATLAB Coder 接口支持包 ##### 1.4 生成代码的功能 生成的可执行文件中的核心函数 `processECG` 以 65,536 个单精度 ECG 数据样本作为输入，具体步骤如下： 1. 对 ECG 数据进行 CWT 变换。 2. 从小波系数中获取尺度图。 3. 将尺度图转换为 227×227×3 的 RGB 图像，使其与 SqueezeNet 网络架构兼容。 4. 使用 SqueezeNet 对图像进行分类预测。 以下是 `processECG` 函数的代码： ```matlab function [YPred] = processECG(input) % processECG function - converts 1D ECG to image and predicts the syndrome % of heart disease % % This function is only intended to support the example: % Signal Classification Code Generation Using Wavelets and % Deep Learning on Raspberry Pi. It may change or be removed in a % future release. % Copyright 2020 The MathWorks, Inc. % colourmap for image transformation persistent net jetdata; if(isempty(jetdata)) jetdata = colourmap(128,class(input)); end % Squeezenet trained network if(isempty(net)) net = coder.loadDeepLearningNetwork('trainedNet.mat'); end % Wavelet Transformation & Image conversion cfs = ecg_to_Image(input); image = ind2rgb(im2uint8(rescale(cfs)),single(jetdata)); image = im2uint8(imresize(image,[227,227])); % figure if isempty(coder.target) imshow(image); end % Prediction [YPred] = predict(net,image); %% ECG to image conversion function cfs = ecg_to_Image(input) %Wavelet Transformation persistent filterBank [~,siglen] = size(input); if isempty(filterBank) filterBank = cwtfilterbank('SignalLength',siglen,'VoicesPerOctave',6); end %CWT conversion cfs = abs(filterBank.wt(input)); end %% Colourmap function J = colourmap(m,class) n = ceil(m/4); u = [(1:1:n)/n ones(1,n-1) (n:-1:1)/n]'; g = ceil(n/2) - (mod(m,4)==1) + (1:length(u))'; r = g + n; b = g - n; r1 = r(r<=128); g1 = g(g<=128); b1 = b(b >0); J = zeros(m,3); J(r1,1) = u(1:length(r1)); J(g1,2) = u(1:length(g1)); J(b1,3) = u(end-length(b1)+1:end); feval = str2func(class); J = feval(J); end end ``` ##### 1.5 代码生成步骤 1. **创建代码生成配置对象** ```matlab cfg = coder.config('exe'); cfg.TargetLang = 'C++'; ``` 2. **设置深度学习代码生成的配置对象** ```matlab dlcfg = coder.DeepLearningConfig('arm-compute'); dlcfg.ArmComputeVersion = '19.05'; dlcfg.ArmArchitecture = 'armv7'; ``` 3. **将深度学习配置对象附加到代码生成配置对象** ```matlab cfg.DeepLearningConfig = dlcfg; cfg.MATLABSourceComments = 1; ``` 4. **创建与树莓派的连接** ```matlab r = raspi('raspiname','username','password'); ``` 5. **配置树莓派的代码生成硬件参数** ```matlab hw = coder.hardware('Raspberry Pi'); cfg.Hardware = hw; buildDir = '~/remdirECG'; cfg.Hardware.BuildDir = buildDir; ``` 6. **提供 C++ 主文件用于代码执行** ```matlab cfg.CustomSource = 'main_ecg_raspi.cpp'; ``` 7. **使用 `codegen` 生成源 C++ 代码** ```matlab codegen -config cfg processECG -args {ones(1,65536 ```