[發(fā)明專利]一種基于超輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)的ECG信號(hào)分類方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010875217.2
• 申請(qǐng)日: 2020-08-27
• 公開（公告）號(hào): CN111956208B
• 公開（公告）日: 2021-04-20
• 發(fā)明（設(shè)計(jì)）人: 周軍;肖劍彪
• 申請(qǐng)（專利權(quán)）人: 電子科技大學(xué)
• 主分類號(hào): A61B5/346
• 分類號(hào): A61B5/346;A61B5/24
• 代理公司: 北京正華智誠專利代理事務(wù)所(普通合伙) 11870
• 代理人: 何凡

本發(fā)明公開了一種基于超輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)的ECG信號(hào)分類方法，包括以下步驟：S1、獲取ECG數(shù)據(jù)集，并制作成訓(xùn)練集和驗(yàn)證集；S2、采用訓(xùn)練集和驗(yàn)證集對(duì)ECG信號(hào)分類模型進(jìn)行訓(xùn)練和驗(yàn)證，得到最優(yōu)的ECG信號(hào)分類模型；S3、實(shí)時(shí)采集ECG心拍信號(hào)，并對(duì)其進(jìn)行預(yù)處理，得到多段ECG數(shù)據(jù)；S4、將多段ECG數(shù)據(jù)依次輸入最優(yōu)的ECG信號(hào)分類模型，得到ECG數(shù)據(jù)的分類結(jié)果；本發(fā)明解決了端到端檢測(cè)算法使用的CNN中常規(guī)全連接層的參數(shù)量龐大以及常規(guī)卷積層運(yùn)算量龐大的問題，實(shí)現(xiàn)將算法運(yùn)算復(fù)雜度的數(shù)量級(jí)拉低到適用于存儲(chǔ)資源極其受限設(shè)備的水平。

技術(shù)領(lǐng)域

本發(fā)明涉及ECG信號(hào)分類領(lǐng)域，具體涉及一種基于超輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)的ECG信號(hào)分類方法。

背景技術(shù)

心電圖(ECG)記錄通過心臟的電信號(hào)，臨床上常用它進(jìn)一步診斷與心律失常有關(guān)的疾病。傳統(tǒng)的心律不齊檢測(cè)方法使用醫(yī)院笨重的心電儀采集病人的短時(shí)ECG信號(hào)，并由心臟內(nèi)科醫(yī)生通過視覺診斷。然而，由于心律失常是間歇性發(fā)生的，尤其是在問題的早期階段，因此很難從短時(shí)間窗口的ECG信號(hào)中發(fā)現(xiàn)心律失常以至于錯(cuò)過心臟病患者的最佳治療時(shí)機(jī)。所以帶有實(shí)時(shí)心律不齊檢測(cè)能力的長(zhǎng)期ECG監(jiān)測(cè)對(duì)于早期發(fā)現(xiàn)潛在問題十分有必要。

長(zhǎng)期且實(shí)用的ECG監(jiān)測(cè)設(shè)備要求設(shè)備具有經(jīng)濟(jì)性和便攜性的特點(diǎn)，近年來，可穿戴式ECG監(jiān)測(cè)設(shè)備作為一種經(jīng)濟(jì)有效的解決方案被提出和研究。具有自動(dòng)檢測(cè)功能的可穿戴式ECG監(jiān)測(cè)設(shè)備可以為用戶提供實(shí)時(shí)的心臟健康建議，同時(shí)記錄反應(yīng)異常ECG信號(hào)。實(shí)時(shí)的心律不齊檢測(cè)對(duì)于潛在心臟病患者是很有意義，它能從ECG信號(hào)中發(fā)現(xiàn)真正發(fā)病前的征兆，意味著病人將擁有更多的時(shí)間去咨詢醫(yī)生或接受治療。然而，作為一種邊緣設(shè)備，它的各種資源都極其有限，而且對(duì)于長(zhǎng)期實(shí)時(shí)監(jiān)測(cè)任務(wù)而言，使用云來提供核心服務(wù)的做法在實(shí)際應(yīng)用中的效果往往不盡人意，所以需要通過邊緣計(jì)算來滿足實(shí)際應(yīng)用需求。因此，可穿戴式ECG監(jiān)測(cè)設(shè)備往往具有這樣一些基本特性：低成本、高能效和實(shí)時(shí)性，這些就要求它搭載的核心檢測(cè)算法具有足夠的輕量級(jí)和準(zhǔn)確率。

最主流的檢測(cè)心律不齊的方式主要有兩種。一種是基于特征的分類方法，特點(diǎn)是先通過數(shù)據(jù)預(yù)處理進(jìn)行特征提取，隨后將提取出的特征送去分類器進(jìn)行分類。這類方法可以分為相互獨(dú)立的特征提取器和分類器兩個(gè)部分。然而，這種結(jié)構(gòu)導(dǎo)致的問題在于方法的整體性能大部分取決于特征提取器提取出的特征的優(yōu)劣和數(shù)量，進(jìn)而導(dǎo)致這種方法過分依賴于特征工程，這就獲得導(dǎo)致良好的算法性能需要大量的人力，而且受限于人類知識(shí)和經(jīng)驗(yàn)的水平。此外，如果通過增加提取的特征的數(shù)量來提高檢測(cè)算法的準(zhǔn)確率，帶來的不良影響是算法的運(yùn)算復(fù)雜度和實(shí)現(xiàn)功耗的顯著提高，這不利于設(shè)備高能效目的的實(shí)現(xiàn)。另外一種就是直接將原始信號(hào)送入神經(jīng)網(wǎng)絡(luò)進(jìn)行分類的方法，它因?yàn)槠浣Y(jié)構(gòu)特點(diǎn)而被稱之為端到端的分類方法。以神經(jīng)網(wǎng)絡(luò)作為分類器的好處在于只需要給它提供訓(xùn)練樣本，它就可以自動(dòng)學(xué)習(xí)去提取特征并綜合特征圖給出分類結(jié)果。由于提取特征是根據(jù)訓(xùn)練算法自動(dòng)進(jìn)行，這種方法可以避免人類知識(shí)和經(jīng)驗(yàn)水平的限制從而獲得更高的準(zhǔn)確率。然而，神經(jīng)網(wǎng)絡(luò)的主要缺點(diǎn)在于由于其運(yùn)算復(fù)雜度和空間復(fù)雜度的數(shù)量級(jí)，使得這類方法很難直接被應(yīng)用在已有的適用于便攜式設(shè)備的硬件平臺(tái)。

綜上，目前可穿戴式ECG監(jiān)測(cè)設(shè)備面臨的主要困境是：1)傳統(tǒng)心律不齊檢測(cè)算法有著設(shè)計(jì)困難、分類效果一般甚至?xí)?dǎo)致運(yùn)算過度復(fù)雜(如基于特征的分類方法)，而新出現(xiàn)的端到端檢測(cè)方法克服了上述困難擁有更好的性能，卻仍然受限于龐大的運(yùn)算復(fù)雜度和參數(shù)復(fù)雜度；2)為了滿足實(shí)時(shí)性要求，研發(fā)者采用現(xiàn)場(chǎng)可編程邏輯門陣列(FPGA)組合數(shù)字信號(hào)處理器(DSP)這類高端平臺(tái)的解決方案，導(dǎo)致產(chǎn)品成本不低且功耗水平高，又或者為了進(jìn)一步追求高能效，使用專用集成電路(ASIC)解決方案為檢測(cè)算法設(shè)計(jì)專用芯片，但ASIC不僅研發(fā)成本和門檻高，而且研發(fā)周期也很長(zhǎng)，只適合大公司和高端市場(chǎng)。

除此之外，在便攜式設(shè)備市場(chǎng)中最常見的解決方案還有基于單片微型計(jì)算機(jī)(MCU)的，不像FPGA、DSP，低功耗MCU有著很低的功耗水平、很低的設(shè)備成本，對(duì)比ASIC，其優(yōu)勢(shì)在于很低的研發(fā)成本和門檻、很短的研發(fā)周期。然而，由于各種資源極其受限且可定制化能力差，現(xiàn)有的端到端檢測(cè)算法都難以完整實(shí)現(xiàn)在此平臺(tái)上。

發(fā)明內(nèi)容