[發明專利]一種基于超輕量級卷積神經網絡的ECG信號分類方法

有效

• 申請號: 202010875217.2
• 申請日: 2020-08-27
• 公開（公告）號: CN111956208B
• 公開（公告）日: 2021-04-20
• 發明（設計）人: 周軍;肖劍彪
• 申請（專利權）人: 電子科技大學
• 主分類號: A61B5/346
• 分類號: A61B5/346;A61B5/24
• 代理公司: 北京正華智誠專利代理事務所(普通合伙) 11870
• 代理人: 何凡

1.一種基于超輕量級卷積神經網絡的ECG信號分類方法，其特征在于，包括以下步驟：

S1、獲取ECG數據集，并制作成訓練集和驗證集；

S2、采用訓練集和驗證集對ECG信號分類模型進行訓練和驗證，得到最優的ECG信號分類模型；

S3、實時采集ECG心拍信號，并對其進行預處理，得到多段ECG數據；

S4、將多段ECG數據依次輸入最優的ECG信號分類模型，得到ECG數據的分類結果；

步驟S2中訓練過程的ECG信號分類模型包括：第一二分類模型和第一五分類模型；

所述第一二分類模型包括：第一DSCEMP卷積層、第二DSCEMP卷積層、第一LDSCP全連接層、第一全連接層和第一softmax層；

所述第一DSCEMP卷積層、第二DSCEMP卷積層、第一LDSCP全連接層、第一全連接層和第一softmax層順次連接；所述第一DSCEMP卷積層的輸入端作為第一二分類模型的輸入端；所述第一softmax層的輸出端作為第一二分類模型的輸出端；

所述第一五分類模型包括：第三DSCEMP卷積層、第四DSCEMP卷積層、第一LDDCP全連接層、第二全連接層和第二softmax層；

所述第三DSCEMP卷積層、第四DSCEMP卷積層、第一LDDCP全連接層、第二全連接層和第二softmax層順次連接；所述第三DSCEMP卷積層的輸入端作為第一五分類模型的輸入端，所述第二softmax層的輸出端作為第一五分類模型的輸出端；

所述步驟S2的訓練和驗證過程為：

所述第一二分類模型的訓練和驗證過程為：

A1、采用樣本平衡策略處理訓練集，得到概率相近的訓練集；

A2、將概率相近的訓練集輸入第一二分類模型中，通過反向傳播訓練算法對第一二分類模型進行訓練，得到訓練完成的第一二分類模型，其中，反向傳播訓練算法的損失函數的計算公式為：

其中，J(ω)為損失函數，K為概率相近的訓練集中的樣本總數，y(k)為第k個樣本的標簽值，φ(k)為第k個樣本的預測結果，M為偏置因子；

A3、采用驗證集對訓練完成的第一二分類模型進行驗證，保留最優的第一二分類模型；

所述第一五分類模型的訓練和驗證過程為：

A4、將概率相近的訓練集輸入第一五分類模型中，并對第一五分類模型進行訓練，得到訓練完成的第一五分類模型；

A5、從驗證集中篩選出心率異常的驗證集，并將心率異常的驗證集輸入訓練完成的第一五分類模型中，并對其進行驗證，保留最優的第一五分類模型；

A6、去掉最優的第一二分類模型和最優的第一五分類模型中softmax層，并將去掉softmax層后的最優的第一二分類模型和最優的第一五分類模型進行拼接，得到最優的ECG信號分類模型；

第一DSCEMP卷積層和第三DSCEMP卷積層均包括：第一深度卷積層、第一嵌入最大池化層和第一逐點卷積層；

所述第一深度卷積層、第一嵌入最大池化層和第一逐點卷積層順次連接；所述第一深度卷積層的輸入端作為第一DSCEMP卷積層或第三DSCEMP卷積層的輸入端；所述第一逐點卷積層的輸出端作為第一DSCEMP卷積層或第二DSCEMP卷積層的輸出端；

所述第二DSCEMP卷積層和第四DSCEMP卷積層均包括：第二深度卷積層、第二嵌入最大池化層和第二逐點卷積層；

所述第二深度卷積層、第二嵌入最大池化層和第二逐點卷積層順次連接；所述第二深度卷積層的輸入端作為第二DSCEMP卷積層或第四DSCEMP卷積層的輸入端；所述第二逐點卷積層的輸出端作為第二DSCEMP卷積層或第四DSCEMP卷積層的輸出端；

所述第一DSCEMP卷積層的通道數為第三DSCEMP卷積層的通道數的一半；所述第二DSCEMP卷積層的通道數為第四DSCEMP卷積層的通道數的一半；

所述第一深度卷積層的卷積核為PADC-卷積核，其核的尺寸為：15*1，其中，15為PADC-卷積核的長度，1為PADC-卷積核的寬度；

所述第一深度卷積層的PADC-卷積核的膨脹率為：4*1，其中，4為PADC-卷積核長度方向上的膨脹率，1為PADC-卷積核寬度方向上的膨脹率；

所述第一嵌入最大池化層的嵌入最大池化為：4*1，其中，4為在輸入特征圖的長度方向上的池化窗口和步進的大小，1為在輸入特征圖寬度方向上的池化窗口和步進的大小；

所述第二深度卷積層的卷積核為PADC-卷積核，其核長為：9*1，其中，9為PADC-卷積核的長度，1為PADC-卷積核的寬度；

所述第二深度卷積層的PADC-卷積核的膨脹率為：3*1，其中，3為PADC-卷積核長度方向上的膨脹率，1為PADC-卷積核寬度方向上的膨脹率；

所述第二嵌入最大池化層的嵌入最大池化為：2*1，其中，2為輸入特征圖的長度方向上的池化窗口和步進的大小，1為輸入特征圖寬度方向上的池化窗口和步進的大小；

步驟S2中最優的ECG信號分類模型的結構為：第一DSCEMP卷積層、第二DSCEMP卷積層、第一LDSCP全連接層、第一全連接層、第三DSCEMP卷積層、第四DSCEMP卷積層、第一LDDCP全連接層和第二全連接層順次連接；所述第一DSCEMP卷積層的輸入端作為最優的ECG信號分類模型的輸入端；所述第二全連接的輸出端作為最優的ECG信號分類模型的輸出端。