近年来,可穿戴设备的应用日益普遍。信号采集是可穿戴设备最重要的功能之一,也是主要的功耗来源。可穿戴设备通常以小型电池作为供电装置,由于电池容量有限,低功耗设计对其而言尤为重要。目前常用的信号采集方式是用模拟数字转换器(Analog to Digital Converter,ADC)将模拟信号转换为数字信号。传统ADC以奈奎斯特采样定理为基础,其采样速率必须大于信号的奈奎斯特率,高速率采样会增加可穿戴设备的功耗,降低设备的续航能力。基于压缩感知(Compressed Sensing,CS)理论的模拟信息转换器(Analog to Information Converter,AIC)则可以充分利用信号的稀疏性以远低于奈奎斯特率的速率对信号进行采样,并在采样的同时完成信号的压缩。因此,使用AIC采集信号可大大降低系统功耗,为可穿戴医疗设备的低功耗设计提供了新的解决方案。
本文设计了一种具有预测量化功能的AIC,从压缩采样和量化两个方面进行低功耗设计。在压缩采样方面,本文设计了一种全无源的压缩采样电路,使用开关电容来实现信号的混频和压缩,有效避免了有源器件带来的高功耗问题,并能提高系统的重构性能。在量化方面,本文基于信号的相关性设计了一种亚奈奎斯特率预测量化器。对于心电信号等能量较为集中的信号,由于其在大多数时候变化非常缓慢,在少数时候才有突变。这类信号相邻样点之间往往具有很大的相关性,采用传统的量化方式会造成不必要的高位转换,不利于低功耗设计。预测量化基于前值的量化结果对当前的高位量化值进行预测,在传统ADC中可以有效减少量化转换位数。但是,对于压缩采样信号的量化,由于随机解调过程引入的随机性,使得压缩采样后信号的相关性减弱,传统的预测量化方式存在预测准确率低的问题。针对压缩采样的量化问题,本文提出了一种预测量化算法,该算法以伪随机序列作为预测依据,结合前一次采样的量化值预测当前采样的量化值,省去量化过程中的高位转换,降低量化过程的转换位数,从而实现低功耗的量化器设计。
本文提出的具有预测量化功能的AIC采用SMIC 180nm的CMOS工艺进行电路设计和仿真。实验结果表明,对单频信号进行压缩采样和重构后的信噪比可达到52.3d B。预测量化器的分辨率为10 bit时,对压缩采样后的心电信号进行预测量化的平均转换位数为6.86 bit,有效降低了量化转换位数。
依据Shannon采样定理的模拟-数字转换器越来越难以满足对高频、宽频信号的采样需求,为实现低速率采样同时缓解数据传输、存储及处理的压力,基于亚Nyquist采样的模拟信息转换器(analog-to-information convertor,AIC)成为研究热点.首先概述压缩感知理论、单向量空间和联合子空间(union of subspaces,UoS)采样理论,着重总结和对比几种符合UoS模型信号的AIC采样架构及恢复算法,进一步提出一种多天线采样系统架构及基于子空间分解的增强型重构方法,最后展望了AIC未来的研究方向.
目前,物联网技术飞速发展。它通过众多的终端设备不断进行信息的收集并将数据传输到数据处理中心。大量的数据采集导致以香农采样定理为基础的信息系统给模拟数字转换器(Analog to Digital Converter,ADC)的处理能力带来巨大的挑战。近...
详细信息
目前,物联网技术飞速发展。它通过众多的终端设备不断进行信息的收集并将数据传输到数据处理中心。大量的数据采集导致以香农采样定理为基础的信息系统给模拟数字转换器(Analog to Digital Converter,ADC)的处理能力带来巨大的挑战。近年来,针对连续时间稀疏信号,在采样的同时完成冗余数据压缩的模拟信息转换器(Analog to Information,AIC)成为ADC的替代方案。AIC是以压缩感知(Compressed Sensing,CS)理论为基础,以亚奈奎斯特采样率将模拟信号转换成数字信号的方法。AIC的实现原理是利用模数混合电路实现CS理论中的观测矩阵。但是,CS理论中的观测矩阵是代数模型,而AIC涉及到模数混合电路。因此,在将观测矩阵映射到实际电路的过程中存在模型不匹配的问题。针对这种问题,目前有许多研究学者通过在重构算法方面进行校正设计等方法来进行优化。但是这些优化方法没有从根本上解决AIC理论模型与硬件电路的匹配问题,所以其优化效果有限。因此还是要构建更准确的模型才能减小理论模型到模拟电路过程中的模型不匹配问题。针对AIC实现过程中的模型不匹配问题,本文利用现代控制理论,从双速率系统的角度对AIC系统进行建模分析,并将其应用到随机解调和调制宽带转换器这两种应用较为广泛的AIC架构。这种新的AIC设计方法相较于现有的设计方法有效的减小了模型不匹配问题。本文的工作主要包括以下几个方面。首先,本文分别基于这两种架构对模型的匹配问题进行分析。其次,利用AIC系统输入频率和输出频率不同的特点构建了双速率采样模型。然后,提出以开关电容电路为基本单位的采样电路。最后,利用基于双速率模型的状态空间模型特征映射的方法对电路参数进行设计。本文采用180nm的CMOS工艺对所提出方法设计的电路进行了验证。实验结果表明本文所提出的设计方法相比于现有的AIC设计工作,其重构信噪比高出17.3d B,并且对稀疏度以及输入噪声也都有一定的鲁棒性。此外,本文还对真实世界的信号进行了测试,结果显示该方法能够成功实现对心电信号的压缩和采样,其平均重构信噪比达到32.32d B。对于多通道的AIC,在通道数较少的情况下本设计方法的均方根误差减小了0.68。
随着信息技术的飞速发展,系统的处理带宽越来越宽,以香农采样定理为基础的信息系统对模拟数字转换（Analog to Digital Converter,ADC）的采样率提出了更高的要求,给后续数字信号处理硬件实现带来巨大的负担。近年来,在采样的同时压缩...
详细信息
随着信息技术的飞速发展,系统的处理带宽越来越宽,以香农采样定理为基础的信息系统对模拟数字转换（Analog to Digital Converter,ADC）的采样率提出了更高的要求,给后续数字信号处理硬件实现带来巨大的负担。近年来,在采样的同时压缩冗余信号的模拟信息转换器（Analog to Information Converter,AIC）成为下一代ADC的重要替代方案。AIC以压缩感知（Compressed Sensing,CS）理论为基础,是一种低于Nyquist率的模拟信号数字转换方法。经典的AIC系统以处理频域稀疏信号为主,采样过程主要分为模拟信号的离散化及离散化样本的压缩两个步骤。在AIC中,由于信号的离散化过程本质为一个理想加窗的过程,理想窗函数会在频域展宽信号的频谱,从而破坏信号的频域稀疏特性,导致AIC的物理实现与理论模型存在基失配的问题。针对该问题,目前已有大量研究学者通过误差建模的方式在重构算法部分纠正基失配带来的重构误差。虽然针对仿真的模拟信号这些方法具有良好的重构效果,但是当重构真实世界信号时,重构质量还是会大大降低。因此优化采样机制,构建模拟时间域采样的方法才能解决基失配问题。针对AIC实现过程中的非理想问题,本文以广义采样理论为基础,提出了一种新的AIC采样方法,即广义模拟信息转换器（General Analog to Information,G-AIC）。G-AIC系统相较于现有AIC系统更为稳健,可以有效的消除AIC实现过程中的非理想问题。首先,本文将AIC系统建模为两级采样器。第一阶采样保持器为离散过程,其脉冲响应对应于嵌入式滤波器。第二阶采样保持器等价于离散压缩感知的测量矩阵。其次,结合正则化理论,给出基于正则化约束的第一阶采样器的优化方法。对本文的G-AIC系统在MATLAB建模,对比G-AIC与现有AIC的理论性能。实验结果表明,本文的G-AIC架构相比现有AIC架构,其重构信噪比高13.3d B。本文采用55 nm CMOS工艺,为了实现了G-AIC电路。对G-AIC的功能性进行验证,实验结果G-AIC可以对50 MHz以内的信号进行压缩采样,采样率为25 MHz,信号的重构信噪比可达到69.52 d B。
针对目前模拟信息转换器(Analog to Information Convertor,AIC)采用模拟电路实现,存在着由于电路的非线性特性而导致实际电路与理想系统难以准确匹配的问题,真实系统的有限等距性质(Restricted Isometry Property,RIP)参数一般仅为理...
详细信息
针对目前模拟信息转换器(Analog to Information Convertor,AIC)采用模拟电路实现,存在着由于电路的非线性特性而导致实际电路与理想系统难以准确匹配的问题,真实系统的有限等距性质(Restricted Isometry Property,RIP)参数一般仅为理论值的50%。针对该问题,提出了一种主要采用数字模块的脉冲宽度调制模拟信息转换器。该系统采用经典的随机解调架构,通过波形比较器,将输入信号的幅度变化转换为时间脉冲宽度,实现信号的随机混频,之后通过可置数计数器实现压缩采样。实验结果表明,该系统以信号奈奎斯特率1/3的速率采样并且准确地重构信号,均方误差仅为3.572×10-5。
暂无评论