[发明专利]基于轻量级神经网络的心电图分类方法

权利要求书

1.一种基于轻量级神经网络的心电图分类方法，其特征在于，包括如下步骤：

a)计算机从MIT-BIH心律失常数据库中获取心电数据，根据心电数据中导联记录内容，选择upper信号为Ⅱ导联信号作为实验数据；

b)使用基于双尺度小波变换法对实验数据进行降噪处理，定位实验数据中的QRS波群，通过QRS波群获取心电信号中的P波和T波的位置，获取一个心拍数据，通过边缘填充随机剪裁算法得到心拍数据的扩充数据集；

c)对扩充数据集添加高斯白噪声，得到数据集集合，通过公式X_i＝{x₁₁,x₁₂,...,x_1N}计算数据集集合中第i个样本X_i，式中x₁₁为心电数据中肢体II导联信号第1个点位电压，N为心电数据中肢体II导联信号使用的像素点个数；

d)通过包含c¹个卷积核的一维卷积层Conv1D对数据集集合提取特征，得到特征图a¹，其中c¹为特征图a¹通道数，w¹为特征图a¹每个通道特征宽度，从特征图a¹抽取得到第k个通道的特征图

e)通过卷积核为1的卷积层将特征图进行压缩，得到压缩特征图a^2.1，其中压缩特征图a^2.1通道数为c^2.1，压缩特征图a^2.1每个通道特征宽度为w^2.1，通过深度卷积层计算得到第k个通道的压缩特征图其中压缩特征图的通道数为c^2.2，压缩特征图的每个通道特征宽度为w^2.2；

f)通过批处理层，利用公式计算压缩特征图归一化数据均值u^2.2，式中为压缩特征图第k个通道的第i个特征，通过公式计算压缩特征图归一化数据方差σ^2.2，通过公式计算压缩特征图规范化函数BN_γ,β(a^2.2)，其中式中ε为常数，0＜ε＜0.001，γ为线性规范化的斜率，β为线性规范化的截距，a^2.3为a^2.2批规范化的结果；

g)通过非线性激活层，利用公式计算得到线性修正结果a^2.4，通过逐点卷积层对线性修正结果a^2.4计算得到扩张特征图a^2.5，通过批处理层和ReLU激活函数对扩张特征图a^2.5计算得到特征图a²，其中特征图a²的通道数为c²，特征图a²的每个通道特征宽度为w²；

h)通过最大池化层，计算特征图a²压缩后的结果特征图a³；

i)用结果特征图a³替换步骤d)中的特征图a¹后重复执行步骤e)至步骤h)，得到心电特征图a⁴，其中心电特征图a⁴的通道数为c⁴，心电特征图a⁴的每个通道特征宽度为w⁴；

j)通过池化层，计算心电特征图a⁴压缩后的结果特征图a⁵；

k)用结果特征图a⁵替换步骤d)中的特征图a¹后重复执行步骤e)至步骤h)，得到心电特征图a⁶，其中心电特征图a⁶的通道数为c⁶，心电特征图a⁶的每个通道特征宽度为w⁶；

l)通过全局平均池化层，利用公式计算压缩得到的结果特征图a⁷，式中是第i个位置的特征；

m)通过展平层将结果特征图a⁷展平成为一维向量a⁸，通过全连接层根据公式a⁹＝W_i⁸·a⁸+b⁸计算样本对应每类疾病得分a⁹，式中W_i⁸是全连接层权重，b⁸为全连接层偏倚，通过softmax激活函数根据公式计算预测结果a¹⁰，其中表示对第i类疾病预测得分，表示对第j类疾病预测得分；

n)使用交叉熵函数计算预测结果a¹⁰的损失，如果损失小于制定阈值Threshold则跳转至步骤p)，如果损失大于等于制定阈值Threshold则跳转至步骤o)；

o)使用Adam优化算法调整模型参数，跳转至步骤e)；

p)保存模型参数，算法结束。