[发明专利]一种基于深度迁移学习的心律异常分类方法

权利要求书

1.一种基于深度迁移学习的心律异常分类方法，其特征在于，所述方法包括：

将处理后的ECG信号通过1D-CNN和LSTM的级联网络结构，将信号的空间特征和时间特征结合起来提取ECG信号特征；

通过多尺度融合的连接方式，将小尺度特征上采样插值到与相邻特征图相等大小的尺度上进行特征融合；

将源域和目标域数据的特征通过自适应层进行特征差异调整，源域数据从自适应层输出的特征通过全连接层和Softmax分类器计算分类损失，计算通过自适应层输出的源域和目标域特征间的MMD损失；最后结合分类损失和MMD损失共同调整网络参数。

2.根据权利要求1所述的一种基于深度迁移学习的心律异常分类方法，其特征在于，所述通过多尺度融合的连接方式，将小尺度特征上采样插值到与相邻特征图相等大小的尺度上进行特征融合具体为：

将小区域块的特征用最近邻方法上采样2倍得到与大区域块等大的特征，再与大区域块的特征进行通道空间上的堆叠；

用1×1卷积对在通道层次上聚合，增加通道间的特征流动性；同样另一小区域块与堆叠后的特征再一次进行多尺度特征融合，丰富特征的空间信息。

3.根据权利要求1所述的一种基于深度迁移学习的心律异常分类方法，其特征在于，所述方法提出的深度迁移网络是镜像结构，利用相同的特征提取结构提取不同病人间的心电信号特征。

4.根据权利要求1所述的一种基于深度迁移学习的心律异常分类方法，其特征在于，所述方法还包括：

在网络中加入适配层，训练网络时通过适配层来调整源域心电数据和目标域心电数据间的差异。