[发明专利]一种心电信号深度学习模型的轻量化方法

权利要求书

1.一种心电信号深度学习模型的轻量化方法，其特征在于，包括：

S1、对样本数据进行人工标注，获得真实标签；

S2、构建输入为样本数据，输出为预测概率的复杂深度学习模型F；并选择输入为预测概率，输出为预测标签的第一函数；

S3、结合样本数据和真实标签对复杂深度学习模型F进行训练更新，并根据更新后的复杂深度学习模型F获得每一条样本数据对应的预测概率；

S4、构建输入为样本数据，输出为轻量化预测概率的轻量化深度学习模型G；并选择输入为轻量化预测概率，输出为轻量化预测标签的第二函数；轻量化深度学习模型G的模型深度和参数数量均少于复杂深度学习模型F；第一函数和第二函数相同；

S5、结合样本数据、真实标签和预测概率对轻量化深度学习模型G进行训练更新；

S6、结合更新后的轻量化深度学习模型G和第二函数建立输入为数据，输出为轻量化预测标签的数据预测模型。

2.如权利要求1所述的心电信号深度学习模型的轻量化方法，其特征在于，步骤S1具体为：首先对获得的原始心电信号数据进行切割，获得长度为d的样本数据并通过人工标注获得每一条样本数据的真实标签。

3.如权利要求2所述的心电信号深度学习模型的轻量化方法，其特征在于，样本数据x_i的真实标签为y_i∈{0，1}^m，其中，m表示模型预测的结果有m种可能，y_i有且仅有一个位置的值为1，其余为0。

4.如权利要求3所述的心电信号深度学习模型的轻量化方法，其特征在于，步骤S2中，复杂深度学习模型F输出的预测概率为z_i表示第i条样本数据的预测概率，Z_i为由m个概率值组成的行向量，且m个概率值之和为1；第一函数为：当z_i[j]＝max(z_i[j])，则y’_i[j]＝1；z_i[j]为行向量z_i第j个位置上的概率值，max(z_i[j])表示行向量z_i中最大的概率值，y’_i[j]表示预测标签y’_i第j个位置上为1，y’_i∈{0,1}^m。

5.如权利要求4所述的心电信号深度学习模型的轻量化方法，其特征在于，步骤S3中：构建目标函数Loss_F，度量样本数据x_i的真实标签y_i与预测概率z_i之间的差异；并根据目标函数Loss_F的最优解对复杂深度学习模型F进行参数更新。

6.如权利要求5所述的心电信号深度学习模型的轻量化方法，其特征在于，步骤S3具体包括：

S31、构建目标函数

其中：

S32、使用随机梯度下降法求解目标函数为Loss_F的最优解，并根据Loss_F的最优解对复杂深度学习模型F进行参数更新；

S33、根据更新后的复杂深度学习模型F获得每一条样本数据x_i对应的预测概率z_i。

7.如权利要求6所述的心电信号深度学习模型的轻量化方法，其特征在于，步骤S32具体为：每次选取一批样本数据和对应的真实标签计算目标函数Loss_F的梯度并对复杂深度学习模型F进行参数更新；通过多次参数更新，当目标函数Loss_F的数值趋于稳定，结束复杂深度学习模型F的训练；

每一批样本数据的选择方式为：通过复杂深度学习模型F和第一函数获得各样本数据的预测标签，选择预测标签与真实标签差异最大的k个样本数据，k为用于参数更新的每一批样本数据中包含的样本数据数量。