[发明专利]基于改进卷积神经网络的识别心律类型的方法

权利要求书

1.一种基于改进卷积神经网络的识别心律类型的装置，其特征在于，包括：

用于获取待识别的心电信号的模块；

用于对所述心电信号进行预处理，得到满足识别要求的心电信号的模块；

用于将预处理后的心电信号输入至预先训练的第一神经网络和第二神经网络进行识别的模块；

预先训练的第一神经网络采用损失函数为：的卷积神经网络，其中，c表示损失大小，n表示样本个数，x为样本，y为样本x对应的标签，a为通过以样本x为输入并且用当前的神经网络计算出的输出大小，α,β均为正则化系数；所述损失函数中α＝1-1.2,β＝0.8-1，输出经第一神经网络识别的所述心电信号对应的心律类型；

若心律类型为非房颤，则认为该心电信号为非房颤；

若心律类型为房颤，则再次将该预处理后的心电信号输入至预先训练的第二神经网络进行识别；

预先训练的第二神经网络采用损失函数为：的卷积神经网络，其中，c表示损失大小，n表示样本个数，x为样本，y为样本x对应的标签，a为通过以样本x为输入并且用当前的神经网络计算出的输出大小，α,β均为正则化系数；所述损失函数中α＝0.8-1,β＝1.0-1.2；输出经第二神经网络识别的所述心电信号对应的心律类型；

第一神经网络和第二神经网络均识别心电图为房颤类型时才认为心电图为房颤类型，第一神经网络和第二神经网络识别为非房颤类型的就认为心电图为非房颤类型。

2.根据权利要求1所述的基于改进卷积神经网络的识别心律类型的装置，其特征在于，第一神经网络采用损失函数中的α＝1.2,β＝1。

3.根据权利要求1所述的基于改进卷积神经网络的识别心律类型的装置，其特征在于，第二神经网络采用损失函数中的α＝0.8,β＝1.2。

4.根据权利要求1所述的基于改进卷积神经网络的识别心律类型的装置，其特征在于，所述神经网络包括1个输入层、多个卷积层和池化层、1个全连接层以及1个分类器层。

5.根据权利要求4所述的基于改进卷积神经网络的识别心律类型的装置，其特征在于，对所述心电信号进行预处理时，采用预设截止频率的滤波器对所述心电信号进行滤波处理。

6.根据权利要求5所述的基于改进卷积神经网络的识别心律类型的装置，其特征在于，对所述心电信号进行预处理，包括以下步骤：

判断所述心电信号的采样频率是否为预设频率；

当所述采样频率不是所述预设频率时，采用内插法将所述心电信号重采样为所述预设频率的心电信号。

7.根据权利要求1-6任一项所述的基于改进卷积神经网络的识别心律类型的装置，其特征在于，所述预先训练的第一神经网络和第二神经网络通过以下步骤得到：

S31：获取训练数据库，训练数据库为已知为房颤或非房颤的心电数据；

S32：对心电数据进行预处理；

S33：以卷积神经网络进行训练，卷积神经网络由若干卷积层和若干池化层、一个全连接层和一个分类器层构成，训练时在分类器层中输入已知的房颤或非房颤的结果。

8.根据权利要求7所述的基于改进卷积神经网络的识别心律类型的装置，其特征在于，

S31步骤中，采用至少1万条10s的房颤心电信号和至少1万条均匀混合的其他类型心电信号作为训练数据形成训练数据库，以0和1分别作为房颤和非房颤的心电信号的标签；

S32步骤中，对心电数据采用上下截止频率分别为0.1Hz、100Hz的fir滤波器进行滤波，如果心电信号采样频率不是500Hz时，则采用最邻近内插法将心电信号重采样为500Hz；

S33步骤中，卷积神经网络具有8层网络，8层网络中第1-6层为layer1-layer6，均由一个卷积层和一个池化层组成，layer1中卷积层包含5个核，卷积核大小均为224，layer1中池化层中的步长和核大小均为2；layer2卷积层包含5个核，卷积核大小均为112，layer2中池化层中的步长和核大小均为2；layer3卷积层包含10个核，卷积核大小均为100，layer3中池化层中的步长和核大小均为2；layer4卷积层包含10个核，卷积核大小均为50，layer4中池化层中的步长和核大小均为2；layer5卷积层包含10个核，卷积核大小均为48，layer5中池化层中的步长和核大小均为2；layer6卷积层包含10个核，卷积核大小均为24，layer4中池化层中的步长和核大小均为2；layer6的输出特征个数为30个，最终经过全连接层layer7计算后输出10个特征。