一种基于risc-v架构的处理系统的制作方法

1.本技术涉及ic芯片设计技术领域，为一种risc-v芯片设计技术，具体而言，涉及一种基于risc-v架构的处理系统。


背景技术：

2.微处理器可分为risc(reduced instruction set computer，精简指令集计算机)和cisc(complex instruction set computer，复杂指令集计算机)两大主流。其中，risc-v(reduced intruction set computerv)是一种基于精简指令集原则的开源指令集架构，v表示为第五代risc(精简指令集计算机)，risc-v架构不仅短小精悍，而且其不同的部分还能以模块化的方式组织在一起，以满足各种不同的应用场景的需要。
3.因为risc-v架构具有架构简单、模块化设计、易于移植、完全开源等特点，因此，目前基于risc-v架构下的应用越来越多。并且因为risc-v框架具有独特的物理内存保护机制，能够控制应用程序对不同物理内存区域的访问权限，对于数据存储的保密效果相较于其他的体系具有较高的安全性。


技术实现要素：

4.本技术实施例提供一种基于risc-v架构的处理系统，具体为一种人工智能场景下的处理系统，实现基于机器学习方式对于采集到的心电图数据进行识别得到异常的心电图数据以及对应的异常分类，并因为risc-v特有的保密机制，实现对于敏感数据以及核心数据的存储的安全性。
5.为了达到上述目的，本技术实施例采用的技术方案如下：
6.第一方面，本实施例提供一种基于risc-v架构的处理系统，包括主处理器、协处理器和存储单元；所述主处理器与所述协处理器连接，所述协处理器包括功能协处理器和加密协处理器，所述主处理器用于发送功能指令至所述功能协处理器，所述功能协处理器基于所述功能指令进行数据处理，并基于处理后的数据结果生成加密指令，并将所述加密指令通过片内总线传输至加密协处理器，所述加密协处理器根据所述加密指令对所述功能协处理器处理后的数据进行加密运算的到加密数据；所述存储单元通过加密元信息的验证对所述加密数据进行存储。
7.进一步的，所述主处理器为risc-v处理器，用于发送risc-v功能指令和加密指令。
8.进一步的，所述功能协处理器用于接收所述risc-v功能指令，从所述存储器中读取数据，对所述数据进行运算处理得到输出数据，将所述输出数据存入所述存储单元。
9.进一步的，从所述存储器中读取的数据包括基于多个心电传感器的心电信号获取的实时心率数据。
10.进一步的，对所述数据进行运算处理得到输出数据，包括：所述实时心率数据与预设的心率信号阈值进行比较得到比较结果，所述比较结果包括第一比较结果和第二比较结果，所述第一比较结果用于表征异常，所述第二比较结果用于表征正常；基于所述第一比较
结果获取标准时间周期内的综合心率数据；将所述综合心率数据输入至心率识别模型进行异常识别得到识别结果，所述识别结果包括第一识别结果和第二识别结果，所述第一识别结果用于表征异常以及对应的异常分类，所述第二识别结果用于表征正常；基于所述异常分类获取处理策略，将所述第一识别结果发送至预先配置的用户端并进行预警信息的发送；基于所述第二识别结果调整所述心率阈值得到第二心率阈值，基于所述第二心率阈值对更新后的实时心率数据进行比较。
11.进一步的，基于多个心电传感器获取实时心率信号，包括：获取采集过程中的心电信号，对所述心电信号进行相邻的至少两个进行定位，得到第一r波和第二r波，获取所述第一r波和所述第二r波的第一r波位置和第二r波位置，基于所述第一r波位置和所述第二r波位置获取所述第一r波和所述第二r波的时间间隔，基于预设心率数据以及所述时间间隔获取所述实时心率数据。
12.进一步的，所述加密数据包括加密元信息和对象元信息。
13.进一步的，所述存储单元包括内部存储区域、外部存储器和唯一秘钥，所述内部存储区域内设置有永久计数器，所述永久计数器根据所述对象元信息的更新操作进行递增操作，所述唯一秘钥由唯一安全标识得到，所述外部存储器用于存储所述加密元信息和对象元信息。
14.进一步的，根据所述永久计数器当前计数、对象元信息以及设备唯一密钥生成消息认证码，存放在加密元信息中。
15.本技术实施例提供的技术方案中，基于risc-v处理器架构提供一种处理系统，通过设置协处理器实现对于数据处理过程中的加密和存储。并且通过协处理器中对待处理数据进行基于神经网络的处理得到处理结果，并通过对待加密数据的加密处理得到加密数据并基于risc-v架构特定的存储机制，将加密数据存储至对应的位置。本发明通过设置独特的系统协同作业方法，实现对于数据的加密以及存储，降低了加密存储空间的占用，提高了存储效率以及处理效率。
附图说明
16.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
17.附图中的方法、系统和/或程序将根据示例性实施例进一步描述。这些示例性实施例将参照图纸进行详细描述。这些示例性实施例是非限制的示例性实施例，其中示例数字在附图的各个视图中代表相似的机构。
18.图1是根据本技术的一些实施例所示的一种基于risc-v架构的处理系统结构图；
19.图2是根据本技术的一些实施例所示的一种基于risc-v架构的数据处理方法流程图；
20.图3是根据本技术的一些实施例所示的异常识别过程流程图。
具体实施方式
21.为了更好的理解上述技术方案，下面通过附图以及具体实施例对本技术技术方案做详细的说明，应当理解本技术实施例以及实施例中的具体特征是对本技术技术方案的详细的说明，而不是对本技术技术方案的限定，在不冲突的情况下，本技术实施例以及实施例中的技术特征可以相互组合。
22.在下面的详细描述中，通过实例阐述了许多具体细节，以便提供对相关指导的全面了解。然而，对于本领域的技术人员来说，显然可以在没有这些细节的情况下实施本技术。在其他情况下，公知的方法、程序、系统、组成和/或电路已经在一个相对较高水平上被描述，没有细节，以避免不必要的模糊本技术的方面。
23.本技术中使用流程图说明根据本技术的实施例的系统所执行的执行过程。应当明确理解的是，流程图的执行过程可以不按顺序执行。相反，这些执行过程可以以相反的顺序或同时执行。另外，可以将至少一个其他执行过程添加到流程图。一个或多个执行过程可以从流程图中删除。
24.为了便于理解本技术，下面将参照相关附图对本技术进行更全面的描述。附图中给出了本技术的较佳的实施例。但是，本技术可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本技术的公开内容的理解更加透彻全面。
25.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中在本技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
26.在使用本文中描述的“包括”、“具有”、和“包含”的情况下，除非使用了明确的限定用语，例如“仅”、“由
……
组成”等，否则还可以添加另一部件。除非相反地提及，否则单数形式的术语可以包括复数形式，并不能理解为其数量为一个。
27.应当理解，尽管本文可以使用术语“第一”、“第二”等来描述各种元件，但是这些元件不应受这些术语的限制。这些术语仅用于将一个元件和另一个元件区分开。例如，在不脱离本技术的范围的情况下，第一元件可以被称为第二元件，并且类似地，第二元件可以被称为第一元件。
28.在本技术中，除非另有明确的规定和限定，术语“相连”、“连接”等术语应做广义理解，例如，可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本技术中的具体含义。
29.本技术实施例提供的处理系统主要应用场景为针对于心率的识别，在现有技术中针对于心率识别的方法主要通过配置在处理端中的soc芯片进行电信号的处理，其中soc芯片中配置有心率识别模型通过模型构建的心率识别方法实现对于采集到的心电信号进行识别得到心电信号中的异常信息，通过异常信息的分类匹配得到与异常心率即临床上所说的心律失常，并且基于具体的心律失常确定对应的风险分类。其中在本实施例中心电信号为ecg信号即心电图，在介绍本实施例提供的心率识别方法之前需要对心率异常产生机制以及现有soc芯片的工作作用进行说明。
30.在处理器以及芯片领域，目前处理器和芯片主流的架构为x86与arm架构，经过几十年的发展，现代的x86与arm架构的架构文档长达几百数千页，且版本众多，一个主要的原因是因为其架构的发展的过程也伴随了现代处理器架构技术的不断发展成熟，并且作为商用的架构，为了能够保持架构的向后兼容性，其不得不保留许多过时的定义，或者在定义新的架构部分时为了能够将就已经存在的技术部分，久而久之就变得极为冗长。然而，risc-v作为一种指令集，与大多数指令集相比，risc-v指令集可以自由地用于任何目的，允许任何人设计、制造和销售risc-v芯片和软件。它同时兼顾数据的传输量和传输速度，是异构iot时代绝佳的架构，由其衍化而来的一系列生态日趋完善。risc-v优势还在于：开源，cpu设计成本低，通过协作在硬件中产生的任何创新都将创造巨大的经济效益；简单，基础指令集仅40多条，满足嵌入式及物联网对代码体积的高要求；灵活，预留大量的编码空间和4条用户指令，可用于扩展指令集。虽然risc-v不是第一个开源指令集，但它具有重要意义，因为其设计使其适用于现代计算设备。设计者考虑到了这些用途中的性能与功率效率。该指令集还具有众多支持的软件，这解决了新指令集通常的弱点。
31.而针对于本技术实施例的应用场景中，心脏的主要功能是产生能量供应全身的血液循环，通过心脏壁中的一个传导系统产生的电刺激传导至心脏的各个部分，这样，心房等部位可以达到规律的紧缩以及舒张。心脏传导系统由浦肯野纤维网，窦房结，希氏束，节间束、方束及房室结等组成。
32.常规状态下，心脏中的电刺激初始于窦房结，它是正常心率的起搏点，电激动传导至双侧心房，造成心房除极化。并且会继续通过结间束将电激动传导至房室结，在房室结处会有短暂的延迟，再经过希氏束、左右束支和浦肯野纤维传递电激动。最终到达心室。在整个心脏传导过程中，心肌膜受到刺激，造成膜内外正负离子运动，引发了连锁的电位波动，引发电位差。通过多传感器在人体不同部位进行电位差数据采集后的ecg信号以波形曲线的形式显示出来。ecg信号记录了人体心脏活动所产生的生物电信号，可以反映人体心脏健康状况，它在医学上被用作是诊断心率失常的依据。
33.在大多数情况下，偶发性的心率失常并不是一种病症，正常人偶尔会出现心律失常的现象。然而，当人体出现频繁的心率失常现象，这有可能就是由心血管疾病引起的症状。因此，通过对心律失常进行诊断对心血管疾病的防治意义重大。而针对现有技术中的可穿戴心率监测设备仅能通过对心率的信号进行浅层的获取，但无法实现对于异常心电信号的异常识别且并无法实现异常识别后的异常分类。
34.基于以上现有技术的背景中，针对于现有处理器的架构以及现有架构中对于心率识别的方法都可进行针对性的改进。
35.本技术的一个实施例中，如图1所示，提供了一种基于risc-v架构的处理系统，包括主处理器、协处理器和存储单元；所述主处理器与所述协处理器连接，所述协处理器包括功能协处理器和加密协处理器，所述主处理器用于发送功能指令至所述功能协处理器，所述功能协处理器基于所述功能指令进行数据处理，并基于处理后的数据结果生成加密指令，并将所述加密指令通过片内总线传输至加密协处理器，所述加密协处理器根据所述加密指令对所述功能协处理器处理后的数据进行加密运算的到加密数据；所述存储单元通过加密元信息的验证对所述加密数据进行存储。
36.上述实施例中，通过设置有功能协处理器和加密协处理器对数据进行特征切分处
理和数据加密，使面对大量待存储数据时实现数据的精简，降低了加密的处理难度以及加密数据的存储空间的优化。本技术的处理系统采用最精简的架构risc-v，可以舍去非常多的冗余指令，使内核设计简单，功耗降低。同时把加密数据的确定基于卷积计算模块实现，而不是内核中的软件应用实现，极大提升了加密处理的处理速度。
37.在本实施例中，主处理器用于发送功能指令至功能协处理器，功能协处理器基于功能指令进行数据处理，并基于主处理器发送的加密指令通过片内总线传输至加密协处理器内。
38.在本实施例中，在其中一个实施例中，主处理器包括基础指令子模块及扩展指令子模块，其中，基础指令子模块用于实现risc-v标准定义的标准指令集；扩展指令子模块用于实现用户定义的自定制指令集。其中自定制指令集包括功能指令和加密指令，用于对数据处理以及处理后的数据的加密处理。
39.具体地，risc-v架构相比其他成熟的商业架构的最大一个不同还在于它是一个模块化的架构，在本技术中符合risc-v isa标准的处理器包括基础指令子模块，该模块用于实现risc-v标准定义的标准指令集，所述标准指令集包括rv32i、rv32e、rv64i及rv128i，其中，rv32i为32位整数指令集，rv32e为rv32i的子集，用于小型的嵌入式场景，rv64i为64位整数指令集，兼容rv32i,rv128i为128位整数指令集，兼容rv64i和rv32i；符合risc-visa标准的主处理器还包括扩展指令子模块22，用于实现用户定义的自定制指令集。risc-v架构不仅短小精悍，而且其不同的部分还能以模块化的方式组织在一起，从而试图通过一套统一的架构满足各种不同的应用，这种模块化是x86与arm架构所不具备的。risc-v isa开源意味着针对不同的应用场景，均可创造相应的芯片架构，借助相应的定制化指令工具可以使应用加速更有效率，多核异构的特点也促进功耗优化。
40.在本实施例中，基于指令集对应设置有指令寄存器和加密指令寄存器，其中指令寄存器通过片内总线用于与功能协处理器连接，用于存储功能协处理器专用的功能指令，同理加密指令寄存器通过片内总线与主处理器和加密协处理器连接，用于存储加密协处理器专用的加密指令。
41.在本实施例中，所述功能协处理器用于接收所述risc-v功能指令，从所述存储器中读取数据，对所述数据进行运算处理得到输出数据，将所述输出数据存入所述存储单元。
42.在本技术实施例中，所述存储器中读取的数据包括基于多个心电传感器的心电信号获取的实时心率数据。
43.参阅图2，而针对于功能协处理器对所述数据进行运算处理得到输出数据，主要包括以下步骤：
44.步骤s210.基于多个心电传感器的心电信号获取实时心率数据，将所述实时心率数据与预设的心率信号阈值进行比较得到比较结果。
45.在本实施例中，此过程为初步识别过程，包括第一比较结果和第二比较结果，其中第一比较结果用于表征异常，第二比较结果用于表征正常。因为在人体日常活动中心电信号的产生频率较高，而针对于可穿戴式心率监测设备无法做到每时每刻的深度检测，所以需要在特定情况下才需要对异常的深度识别。而针对于异常的深度识别需要配置一种启动方法，在本实施例中针对于异常的深度识别的启动方法通过获取被监测对象的实时心率数据，通过实时心率数据与预设的心率信号阈值进行比较，通过比较得到实时心率数据是否
异常，当实时心率数据产生异常时则对心电信号进行深度的识别，如果当前的实时心率数据未超出设置的阈值时则代表正常，不需要对心率信号进行识别，通过此过程的配置在保证识别结果准确的前提下降低了因为高频次实时心率异常识别所带来的处理成本。
46.而因为心率所表征的信息为每分钟心跳跳动的次数，而传感器采集的信号为电信号，所以为了获取实时心率数据需要对采集的电信号与异常心率信息进行对应转换，具体包括以下方法：
47.获取采集过程中的心电信号，对所述心电信号进行相邻的至少两个进行定位，得到第一r波和第二r波，获取所述第一r波和所述第二r波的第一r波位置和第二r波位置，基于所述第一r波位置和所述第二r波位置获取所述第一r波和所述第二r波的时间间隔，基于预设心率数据以及所述时间间隔获取所述实时心率数据，具体的计算公式如下：
48.其中60为正常心率情况下的心脏跳动次数，δt为第一r波和第二r波的时间间隔。
49.在本实施例中，r波为心电图中的一种波形，本实施例中针对于实时心率数据的获取基于两次r波之间的时间间隔进行确定，因为r波的获取为现有技术在本实施例中不再进行描述。
50.步骤s220.基于所述第一比较结果获取标准时间周期内的综合心率数据。
51.在本实施例中为深度识别的开启阶段，针对于步骤s210比较结果当实时心率数据出现异常时，则开启对于心率数据的深度识别。其中，针对于步骤s210中获取的为实时心率数据，并且实时心率数据的获取的心电图信息较短，但针对于深度识别的心电图信息需要较多的数据，而针对深度识别的心电图数据则通过预设采集时间的方式进行获得。其中针对于标准时间周期的设置基于经验设置，在本实施例中不再进行详细的描述。其中综合心率数据为待识别心电图。
52.步骤s230.将所述待识别心电图输入至心率识别模型进行异常识别得到识别结果。
53.在本实施例中，识别结果包括第一识别结果和第二识别结果，其中针对于第一识别结果用于表征异常以及对应的异常分类，第二识别结果用哦关于表征正常。
54.参阅图3，步骤s230为本实施例中为较为重要的步骤，而针对此步骤具体包括以下过程：
55.步骤s231.对所述待识别心电图进行降噪处理，具体包括：
56.建立噪声模型获取小波分解参数，基于所述小波分解参数对待识别心电图进行心电信号分解得到分解后的待识别心电信号，基于软阈值法对待识别心电信号进行降噪处理，将处理后的各尺度系数进行重构得到去噪后的目标心电信号。
57.在本实施例中，针对于以上过程基于小波变换的方式进行降噪处理，其中小波变换中的小波分解参数中的小波基为db4小波函数，分解尺度为8。而针对于小波分解参数的获得基于降噪模型进行获得，在本实施例中降噪模型用于将心电信号中产生噪音的进行数学模拟，其中初始降噪模型如下所示：
58.f(n)＝x(n)+ε(x),(n＝1,2,
…
,n)；
59.其中，x(n)为纯净信号，ε(n)为噪音函数，n为信号长度即采样点数。
60.在本实施例中，建立心电信号噪声模型之后，选取mit-bih数据库100号数据作为x(t)，并取信号长度n＝1024，即采样点数为1024个。而针对于心电信号的噪声主要来源为基线漂移、工频干扰和肌电干扰。则以高斯白噪声ε(n)来模拟肌电干扰噪声；以50hz的正弦s(n)来模拟工频干扰噪声；以0.5hz的正弦波g(n)来模拟基线漂移，得到最终噪音模型：
61.f(n)＝x(n)+e(n)+s(n)+g(n),(n＝1,2,
…
,1024)。
62.mit-bih数据库中数据的采样频率为360hz，采样精度为11bit，则可以得到使用mallat算法进行小波变换时，各尺度近似信号与细节信号的频率带宽，基于各分解尺度下的频率带宽以及心电信号中基线漂移的频率分布范围，可以知道当小波变换分解尺度至8层，然后将该尺度上的近似信号系数置零，便可以很好的去除信号中的基线漂移。所以，在本实施例中小波变换的分解尺度为8。在本实施例中，mit-bit数据库为心电数据库，此数据库为现有数据库主要用于心率检测识别，在本实施例中不再进行描述。
63.针对分解后的待识别心电信号，通过软阈值法对其进行降噪处理，在本实施例中中软阈值基于软阈值函数进行实现，用于获取降噪处理的阈值，软阈值函数为：
64.其中λ为阈值。
65.本实施例通过小波变换以及软阈值法对心电信号中的噪音进行剔除，得到用于识别的目标心电信号，提高了后续识别的准确性。
66.步骤s232.将目标心电信号输入至心率识别模型进行异常识别得到识别结果。
67.在本实施例中心率识别模型包括输入层、多个单导联卷积神经网络特征提取层、融合层、多导联数据特征提取层、池化层、全连接神经网络层和sigmoid层，所述多个单导联卷积神经网络特征提取层的数量与所述传感器类型数量对应设置。
68.而针对于具体的识别过程包括：
69.通过输入层获取步骤s231中经过降噪处理后的目标心电信号；
70.利用多个单导联卷积神经网络特征提取层对多导联通道中的目标心电信号进行特征提取，获取每个心电传感器的单一导联特征，将不同的传感器中的多个单一导联特征进行整合，形成卷积子网，并通过融合层进行合并，合并之后，输入到多导联数据特征提取层中提取多个模态之间的关联信息，并输出特征数据作为池化层的输入层，基于池化层对特征数据进行下采样并降维，获得多导联心电图信号特征信息以及提取分类辨识度更好的特征，通过全连接神经网络层和sigmoid层得到各个类别的概率值。其中以上的处理过程可以具化为以下的处理方法：
71.将所述目标心电信号通过所述输入层获取初始数据，所述初始数据为一维张量。
72.基于所述单导联卷积神经网络特征提取层提取对应传感器的各心电传感器的单一导联特征，所述单一导联特征为时序信号特征。在本实施例中，单导联卷积神经网络为一维卷积神经网络，目的是有效提取每个心电传感器的时序信号特征数据。在本实施例中，单导联卷积神经网络由四层卷积神经网络组成，用以分析单个心电传感器模态内的相互关系。其中，针对于卷积子网层的数量为5个子层，在进行训练时针对于每一个子层学习单个导联所代表的特征信息，在第5层，使用卷积核大小为1的卷积核来实现跨通道通信和信息集成，并且通过减少卷积核中通道的维数来减少网络参数。这5层的卷积核数目分别为32，64，128，256，1。前四层卷积网络步长为1，填充为1。其中卷积核大小设置为3。并且在每层卷
积前进行批量处理归一化以及采用relu激活函数，并且每层设置dropout率为0.05，由于在设计卷积子网时，想要使得输入张量与进行特征提取后的张量数据维度相同，所以第5层卷积时采用1
×
1的卷积，这样能方便接下来对多模态导联数据的处理。
73.将多个所述单一导联特征输入至所述融合层进行融合，得到心电图张量。在本实施例中，心电图时序特征数据进行整合，得到形状为(x，y)的张量，不同于图片的长宽，其中x代表的为传感器的个数，也称为心电图导联数。其中，针对于心率检测的导联通常为12导联，y代表单一导联中时间序列特征数据的数量，其中，该张量的每一维度信息是各自独立的。在每个心电图信号导联在人体采集过程中的波形尖峰位置都有一定的联系，可以用卷积神经网络来捕捉12个导联信号的特征融合信息。在本实施例中的特征融合信息基于心电图的设置为融合后的时序特征数据，其中针对本实施例中的融合后的时序特征数据为是(1，x，y)的张量，其中x代表每个导联含有时序数据个数，也代表导联个数。
74.将所述心电图张量输入至所述多导联数据特征提取层获取多导联数据特征，所述多导联数据特征为空间特征。在本实施例中，多导联数据特征提取层为基于一维卷积的深度残差网络，通过此网络用以提取多导联之间的关联性以及单个导联深度层次的特征提取，并且利用残差网络的优势，在网络层中进行跳跃式传递，一方面有利于梯度向下传播，另一方面，可以使网络在进行若干次卷积之后依然能直接利用最原始的信息，同时有利于梯度更好地向上传输。在激活函数的选择上，本实施例选用非线性激活函数relu函数，并且在残差网络中合理的设置dropout防止过拟合，当经过残差网络卷积之后，得到多模态空间融合信息，其中多模态空间融合信息为空间特征。
75.基于所述池化层对所述空间特征进行向下采样，得到空间特征中的最大特征值和平均特征值。在本实施例中池化层包括最大值池化层和平均值池化层，其中最大值池化层用于提取空间特征中的最大特征值，平均值池化层用于提取空间特征中的平均平均值。
76.将所述最大特征值和所述平均特征值输入至所述全连接神经网络层进行拼接得到特征向量。
77.将所述特征向量输入至所述sigmoid层得到多个异常分类的概率以及对应异常分类的特征值。在本实施例中，通过sigmoid层，得到每个标签相关的概率，其中标签为异常类型。在本实施例中，因为每条记录可能不止一种症状类型，因此确定了一个阈值向量用于多标签分类，通过将输出概率与训练的阈值向量进行比较来计算每条记录，具体为：
[0078][0079]
在本实施例总，特征数据经过sigmoid层后得到的数值大于阈值时，则表示该样本存在该标签，其中阈值向量设置为0.5。
[0080]
步骤s240.基于所述异常分类获取处理策略，将所述第一识别结果发送至预先配置的用户端并进行预警信息的发送。
[0081]
在经过步骤s230处理后得到识别结果，其中第一识别结果为具有异常数据以及异常分类的结果，第二识别结果为正常结果。其中针对于异常数据以及异常分类基于处理策略进行处理。其中，针对于处理策略为配置针对于每一异常分类对应的处理策略，例如针对于异常类型为高频且不具有健康紧迫性的异常，则通过对数据的存储以及实时发送至用户端的方式进行处理。而针对于异常类型为具有健康紧迫性的异常，不仅对数据进行存储和
发送信息至用户端的方式，还包括通过报警信号发送对待监测人员进行报警信息的发送。
[0082]
其中针对于存储方式可以为设置于异常类型对应的多个子存储空间，基于每次异常识别后的异常类型将异常信息存储至对应的异常类型的子存储空间内，并且在每个子存储空间内设置对应的存储策略，即每一个子存储空间内配置对应的数据更新时间。
[0083]
步骤s250.基于所述第二识别结果调整所述心率阈值得到第二心率阈值，基于所述第二心率阈值对更新后的实时心率数据进行比较。
[0084]
在本实施例中，针对于第二识别结果为正常结果，通过此正常结果的获得说明步骤s210中的异常实时心率数据用于表征实时异常具有一定的缺陷，则通过获取的为正常结果的第二识别结果对步骤s210中预设的心率信号阈值进行更新，从而在提高检测精准度的情况下降低检测的成本。其中针对于新阈值的更新基于较小比例的更新，例如针对于更新阈值的更新比为1％，此更新比可以通过经验以及人为进行设置，在本实施例中不再进行描述。
[0085]
在本实施例中，针对于上述处理过程后得到的数据包括待加密数据和一般数据，其中待加密数据为涉及用户的隐私数据，包括心率数据以及用户信息。其中针对于待加密数据需要进行加密处理，这对于加密处理基于加密协处理器实现。具体的，加密数据的数据结构包括加密元信息和对象元信息，其中加密元信息对当前读取的对象元信息进行认证，确保数据元信息没有被非法篡改。
[0086]
具体的，在本技术实施例中针对于待加密数据和一般数据主要通过标签进行确定。在本实施例中，标签包括加密标签和一般标签，其中加密标签用于说明对应特征属于加密数据，其中一半标签用于说明对应特征属于一般数据。而在实际处理过程中，针对于数据有可能同时具有加密标签和一般标签，所以针对于数据需要对同时包括有加密数据和一般数据的图像进行近一步详细的分类和对应的存储。
[0087]
针对于加密标签设置有一级加密标签、二级加密标签和n级加密标签，其中一级加密标签所对应的加密等级为最高，并依次递减。针对于同时具有至少两个标签的数据，首先进行确定加密标签对应的级别，当加密标签为一级加密标签时，则即使在数据具有一般标签则还是将数据按照加密数据进行存储。当加密标签为二级或其他级别加密标签时，则确定一般标签所占的比例当一般标签的比例高于加密标签时，则数据为一般标签，按照一般数据进行保存。
[0088]
在本实施例中，加密元信息和对象元信息存储在外部存储器中，其中外部存储器是相对于risc-v架构下内部存储区域的概念。在本实施例中，针对处理后的加密数据即加密元数据和对象元数据，以及一般数据首先存储至外部存储器中，然后经具体的存储机制将加密元数据和对象元数据提取并存处至内部存储区域内。
[0089]
在本实施例中，还设置有唯一秘钥，其中唯一秘钥的获得基于对应处理设备的唯一安全标识得到。并且在内部存储区域内还设置有永久计数器，永久计数器用于对处理过程进行计数处理。
[0090]
而针对于本实施例提供的存储过程具体为：当存储过程中需要更新对象元信息操作时，永久计数器递增；根据永久计数器当前计数、对象元信息以及设备唯一密钥生成消息认证码，存放在加密元信息中；从外部存储中读取加密元信息和对象元信息，利用加密元信息对当前读取的对象元信息进行认证，确保数据元信息没有被非法篡改。
2003，perl，cobol 2002，php，abap，动态编程语言如python，ruby和groovy或其它编程语言。所述程式设计编码可以完全在用户计算机上执行、或作为独立的软体包在用户计算机上执行、或部分在用户计算机上执行部分在远程计算机执行、或完全在远程计算机或服务器上执行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网络(lan)或广域网(wan)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(saas)。
[0099]
此外，除非申请专利范围中明确说明，本技术所述处理元件和序列的顺序、数位字母的使用、或其他名称的使用，并非用于限定本技术流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的申请专利范围并不仅限于披露的实施例，相反，申请专利范围旨在覆盖所有符合本技术实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件装置实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或行动装置上安装所描述的系统。
[0100]
同样应当理解的是，为了简化本技术揭示的表述，从而帮助对至少一个发明实施例的理解，前文对本技术实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法幷不意味着本技术对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

技术特征：
1.一种基于risc-v架构的处理系统，其特征在于，包括主处理器、协处理器和存储单元；所述主处理器与所述协处理器连接，所述协处理器包括功能协处理器和加密协处理器，所述主处理器用于发送功能指令至所述功能协处理器，所述功能协处理器基于所述功能指令进行数据处理，并基于处理后的数据结果生成加密指令，并将所述加密指令通过片内总线传输至加密协处理器，所述加密协处理器根据所述加密指令对所述功能协处理器处理后的数据进行加密运算的到加密数据；所述存储单元通过加密元信息的验证对所述加密数据进行存储。2.根据权利要求1所述的基于risc-v架构的处理系统，其特征在于，所述主处理器为risc-v处理器，用于发送risc-v功能指令和加密指令。3.根据权利要求2所述的基于risc-v架构的处理系统，其特征在于，所述功能协处理器用于接收所述risc-v功能指令，从所述存储器中读取数据，对所述数据进行运算处理得到输出数据，将所述输出数据存入所述存储单元。4.根据权利要求3所述的基于risc-v架构的处理系统，其特征在于，从所述存储器中读取的数据包括基于多个心电传感器的心电信号获取的实时心率数据。5.根据权利要求4所述的基于risc-v架构的处理系统，其特征在于，对所述数据进行运算处理得到输出数据，包括：所述实时心率数据与预设的心率信号阈值进行比较得到比较结果，所述比较结果包括第一比较结果和第二比较结果，所述第一比较结果用于表征异常，所述第二比较结果用于表征正常；基于所述第一比较结果获取标准时间周期内的综合心率数据；将所述综合心率数据输入至心率识别模型进行异常识别得到识别结果，所述识别结果包括第一识别结果和第二识别结果，所述第一识别结果用于表征异常以及对应的异常分类，所述第二识别结果用于表征正常；基于所述异常分类获取处理策略，将所述第一识别结果发送至预先配置的用户端并进行预警信息的发送；基于所述第二识别结果调整所述心率阈值得到第二心率阈值，基于所述第二心率阈值对更新后的实时心率数据进行比较。6.根据权利要求4所述的基于risc-v架构的处理系统，其特征在于，基于多个心电传感器获取实时心率信号，包括：获取采集过程中的心电信号，对所述心电信号进行相邻的至少两个进行定位，得到第一r波和第二r波，获取所述第一r波和所述第二r波的第一r波位置和第二r波位置，基于所述第一r波位置和所述第二r波位置获取所述第一r波和所述第二r波的时间间隔，基于预设心率数据以及所述时间间隔获取所述实时心率数据。7.根据权利要求4所述的基于risc-v架构的处理系统，其特征在于，将所述综合心率数据输入至心率识别模型进行异常识别得到识别结果，包括：对所述综合心率数据并进行转换得到待识别心电图，将所述待识别心电图输入至心率识别模型进行异常识别得到识别结果，所述待识别心电图用于表征时间周期内的心率信号的变化。8.根据权利要求2所述的基于risc-v架构的处理系统，其特征在于，所述加密数据包括加密元信息和对象元信息。9.根据权利要求8所述的基于risc-v架构的处理系统，其特征在于，所述存储单元包括内部存储区域、外部存储器和唯一秘钥，所述内部存储区域内设置有永久计数器，所述永久计数器根据所述对象元信息的更新操作进行递增操作，所述唯一秘钥由唯一安全标识得到，所述外部存储器用于存储所述加密元信息和对象元信息。10.根据权利要求9所述的基于risc-v架构的处理系统，其特征在于，根据所述永久计
数器当前计数、对象元信息以及设备唯一密钥生成消息认证码，存放在加密元信息中。

技术总结
本申请涉及IC芯片设计技术领域，为一种risc-v芯片设计技术，具体而言，涉及一种基于risc-v架构的处理系统。通过设置协处理器实现对于数据处理过程中的加密和存储。并且通过协处理器中对待处理数据进行基于神经网络的处理得到处理结果，并通过对待加密数据的加密处理得到加密数据并基于risc-v架构特定的存储机制，将加密数据存储至对应的位置。本发明通过设置独特的系统协同作业方法，实现对于数据的加密以及存储，降低了加密存储空间的占用，提高了存储效率以及处理效率。提高了存储效率以及处理效率。提高了存储效率以及处理效率。


技术研发人员：侯卫兵 潘旭强
受保护的技术使用者：北京力通通信有限公司
技术研发日：2023.05.04
技术公布日：2023/9/20