[发明专利]基于样本分布改进的卷积神经网络的训练方法及模型

权利要求书

1.一种基于样本分布改进的卷积神经网络的训练方法，其特征在于，包括以下步骤：

步骤S31：收集标记好的12导联心电信号中的II导联心拍信号充分多条形成初始数据集，II导联心拍信号包括各占总数量一半的室早心拍信号和非室早心拍信号，将室早心拍信号的标签设置为a，非室早心拍信号的标签设置为b；

步骤S32：对收集到的数据集中的所有心拍数据进行统计，统计出每个心拍数据的均值、最大值、最小值、峰值和峭度值分别形成均值数组AVG＝{a1,a2,a3…aN}、最大值数组MAX＝{m1,m2,m3…mN}、最小值数组MIN＝{c1,c2,…cN}、峰值数组F＝{f1,f2,…fN}和峭度值数组Q＝{q1,q2,…qN}，再次分别求取均值数组、最大值数组、最小值数组、峰值数组和峭度值数组的均值和均方差值分别记为σ_avg，σ_MAX，σ_MIN，σ_F，σ_Q；

步骤S33：对每个数据中的所有心拍数据均进行以下判断：获取其中成立的个数，将初始数据中小于3个成立条件的心拍数据剔除后形成新的心拍数据集；

步骤S34：重复执行步骤S32，直至心拍数据集不发生变化时，将心拍数据集作为训练数据；

步骤S35：将训练数据及其对应的标签输入到卷积神经网络进行训练，得到样本分布改进的卷积神经网络模型。

2.根据权利要求1所述的基于样本分布改进的卷积神经网络的训练方法，其特征在于，II导联心拍信号的采样频率500Hz，并经过0.5-100Hz的巴特沃兹带通滤波器进行滤波。

3.根据权利要求1或2所述的基于样本分布改进的卷积神经网络的训练方法，其特征在于，每个心拍信号为从R波波峰之前的0.38s到R波峰后0.5s的心电图信号。

4.根据权利要求1或2所述的基于样本分布改进的卷积神经网络的训练方法，其特征在于，样本分布改进的卷积神经网络模型由10层网络即layer1-layer9和一个分类器组成；其中layer1-layer5均由一个卷积层和一个池化层组成，均使用LeakyReLU激活函数；layer1中卷积层包含32个核，卷积核大小均为7，layer1中池化层中的步长和核大小均为2；layer2的卷积层包含32个核，卷积核大小均为5，layer2中池化层中的步长和核大小均为2；layer3的卷积层包含32个核，卷积核大小均为3，layer3中池化层中的步长和核大小均为2；layer4的卷积层包含32个核，卷积核大小均为5，layer4中池化层中的步长和核大小均为2；layer5的卷积层包含32个核，卷积核大小均为5，layer5中池化层中的步长和核大小均为2；layer6的卷积层包含32个核，卷积核大小均为5；layer7为双向长短期记忆网络层的输入层神经元与layer6的输出特征个数一致，向前输出神经元为30个神经元，向后输出神经元为30个神经元，双向长短期记忆网络层共输出60个神经元；layer8为注意力机制层，承接layer7的输出；layer9为全连接层，承接layer8的输出，输出的神经元个数为4个。

5.根据权利要求1 或 2 所述的基于样本分布改进的卷积神经网络的训练方法，其特征在于，a＝1，b＝0，当基于样本分布改进的卷积神经网络模型的输出值大于0.5时，认为未知类型的心拍为室早心拍；输出值小于等于0.5时，认为未知类型的心拍为非室早心拍信号。

6.一种基于样本分布改进的卷积神经网络模型，其特征在于，由权利要求1-5任一项所述的基于样本分布改进的卷积神经网络的训练方法训练得到。

7.一种基于样本分布改进的卷积神经网络模型的使用方法，其特征在于，

包括以下步骤：

采集未知类型的12导联心电信号中的II导联心拍信号中的心拍，计算该心拍的平均值x_avg，最大值x_MAX，最小值x_MIN，峰值x_F，和峭度值x_Q；判断中成立的个数，若有3个及以上成立时，则输入权利要求6所述的基于样本分布改进的卷积神经网络模型中，根据基于样本分布改进的卷积神经网络模型的输出结果判断心拍信号的类型。