基于 1D-CNN 和 TCN 的 ECG 信号分类：从深度学习到 FPGA 边缘部署

该项目结合一维卷积神经网络（1D-CNN）和时序卷积网络（TCN）实现ECG心电图信号分类，并成功部署到FPGA-SoC硬件平台，构建医疗AI边缘计算端到端解决方案。解决传统云端方案的数据隐私、网络延迟等问题，为实时诊断提供支持。

心血管疾病是全球主要死亡原因，传统ECG分析依赖医生经验效率低；深度学习提升诊断一致性但难部署在资源受限设备。FPGA具备并行计算强、功耗低、可重构优势，Xilinx KV260/KR260 MPSoC集成ARM处理器与FPGA逻辑，是边缘AI理想平台。

数据源与预处理：采用KaggleHub公开ECG数据集，经滤波（去基线漂移/工频干扰）、归一化、分割固定窗口处理。 1D-CNN设计：一维卷积核捕获ECG局部时序特征（如QRS波群），多层卷积池化提取抽象特征。 TCN集成：通过扩张卷积扩大感受野、残差连接缓解梯度消失，建模长期依赖；1D-CNN与TCN混合架构互补提升分类性能。

训练策略：监督学习以交叉熵损失优化，使用Dropout、数据增强（加噪声/时间偏移）正则化；动态学习率调整+早停技术防止过拟合。 压缩与量化：通过剪枝、知识蒸馏减少参数量，浮点转定点量化降低存储与计算开销，权衡模型大小、速度与精度。

硬件选择：Xilinx KV260/KR260 MPSoC（ARM处理器负责控制/预处理，FPGA加速推理）。 部署流程：模型转换为Vitis AI的DPU格式，经算子融合/内存优化/流水线设计，编译为比特流烧录FPGA。 性能评估：对比云端模型，评估分类精度、推理延迟、功耗、吞吐量等指标，在可接受精度损失下实现低延迟边缘推理。

实时性：本地即时分析满足急诊等场景的低延迟需求。 数据隐私：本地处理避免敏感医疗数据上传泄露风险。 成本效益：长期无云服务费用，不受网络连接限制。

项目实现高精度ECG分类与FPGA边缘部署，为医疗AI产业化提供参考。未来将发展专用医疗AI芯片，结合联邦学习实现多机构数据共享训练，提升模型泛化能力。