[发明专利]用于室早心跳定位的神经网络训练方法及卷积神经网络

权利要求书

1.一种用于室早心跳定位的改进卷积神经网络训练方法，其特征在于，包括以下步骤：

S1：获取已知为室性早搏心跳和均匀类型的其他心跳的心电图信号；

S2：以步长为0.015-0.025s、长度为0.4-0.8s的滑动窗截取心电图信号形成截取段；

S3：将每个心电图信号导入输出到卷积神经网络中对卷积神经网络进行训练，每个心电图信号均包括所有的截取段，得到用于室性早搏心跳定位的改进卷积神经网络，所述改进卷积神经网络的输出值为一段连续值。

2.根据权利要求1所述的用于室早心跳定位的改进卷积神经网络训练方法，其特征在于，S1步骤中，还对心电数据进行预处理，预处理时，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。

3.根据权利要求1或2所述的用于室早心跳定位的改进卷积神经网络训练方法，其特征在于，S1步骤中，若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。

4.根据权利要求1-3任一项所述的用于室早心跳定位的改进卷积神经网络训练方法，其特征在于，已知为室性早搏心跳的心电图信号为一万条以上，已知为其他类型心跳的心电图信号为一万条以上。

5.根据权利要求1-4任一项所述的用于室早心跳定位的改进卷积神经网络训练方法，其特征在于，S2步骤中长度为0.6s，步长为0.02s。

6.根据权利要求1-5任一项所述的用于室早心跳定位的改进卷积神经网络训练方法，其特征在于，卷积神经网络由包括一个分类器层的8层网络组成；其中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，layer6中池化层中的步长和核大小均为2；全连接层layer7的输入层神经元个数与layer6的输出特征个数一致，输出层神经元个数为30个，因此经过计算后输出30个特征；以该30个特征作为分类器层layer8的输入层神经元的输入，输出层神经元个数为10个；分类器的输入层神经元个数为10个，输出层神经元个数为1个，输出值为[0,1]中间的任意值。

7.根据权利要求6所述的用于室早心跳定位的改进卷积神经网络训练方法，其特征在于，全连接层layer7的输出特征与该心跳与心电图中的上一心跳之间的该心跳序列的峭度值、偏度值组成32个特征一起作为分类器层layer8的输入。

8.根据权利要求1-7任一项所述的用于室早心跳定位的改进卷积神经网络训练方法，其特征在于，卷积神经网络训练算法为：随机梯度下降算法、Adam算法、RMSProp算法、Adagrad算法、Adadelta算法、Adamax算法中的一种。

9.一种用于室早心跳定位的改进卷积神经网络，其特征在于，由权利要求1-8任一项所述的用于室早心跳定位的改进卷积神经网络训练方法训练得到。