[发明专利]采用多尺度视野深度学习的心电波形定位加分类模型装置

权利要求书

1.一种采用多尺度视野深度学习的心电波形定位加分类模型装置，其特征在于，包括：

残差网络模块，用于接收心电信号图的输入并输出心电信号图特征信息；

多尺度聚合模块，包括一池化层、若干分支和concat特征融合层，每个分支包括不同步长的自适应池化层和卷积层，每个分支均能输出同样长度的特征变量，并经由concat特征融合层进行特征融合；

分类模块，接收concat特征融合层的输出并进行分类，包括卷积层、批归一化层、Dropout层和分类层；

输出模块，接收分类层的输出并输出表示分类结果的数值；

心电波形定位加分类模型装置由以下训练方法训练得到：

收集心电信号图若干个，并按照心电信号类型进行标记形成训练集，心电信号类型的标记位置为R波顶点左右0.02s内的所有点。

2.根据权利要求1所述的采用多尺度视野深度学习的心电波形定位加分类模型装置，其特征在于，多尺度定位分类模块中的分支数量为4。

3.根据权利要求2所述的采用多尺度视野深度学习的心电波形定位加分类模型装置，其特征在于，多尺度定位分类模块中池化层的步长为2，每个分支中均包括一自适应池化层和一卷积层，各分支的自适应池化层的步长分别为1、3、5、7。

4.根据权利要求1-3任一项所述的采用多尺度视野深度学习的心电波形定位加分类模型装置，其特征在于，训练时，设定不同数量的分支以及不同的自适应池化层的步长的组合，并筛选出其中准确率最大的作为心电波形定位加分类模型装置的设置。

5.根据权利要求1-4任一项所述的采用多尺度视野深度学习的心电波形定位加分类模型装置，其特征在于，心电信号类型包括左心室肥大、房性早搏和正常心跳。

6.根据权利要求1-5任一项所述的采用多尺度视野深度学习的心电波形定位加分类模型装置，其特征在于，训练时的损失函数采用softmax_with_cross_entropy。

7.根据权利要求1-6任一项所述的采用多尺度视野深度学习的心电波形定位加分类模型装置，其特征在于，训练算法采用Adam算法。

8.一种采用多尺度视野深度学习的心电波形定位加分类模型装置，其特征在于，包括：

残差网络模块，用于接收心电信号图的输入并输出心电信号图特征信息；

多尺度聚合模块，包括三个池化层、4个分支和3个concat特征融合层，4个分支包括不同步长的自适应池化层和卷积层，每个分支均能输出同样长度的特征变量，三个池化层的步长分别为2、4和6，其中步长为2的池化层的输出连接到第一分支、第二分支和第三分支的自适应池化层中，步长为4的池化层的输出连接到第一分支、第二分支、第三分支和第四分支的自适应池化层中，步长为6的池化层的输出连接到第一分支、第三分支和第四分支的自适应池化层中，3个concat特征融合层分别对第一分支、第二分支和第三分支的卷积层，第一分支、第二分支、第三分支和第四分支的卷积层以及第一分支、第二分支和第四分支的卷积层进行特征融合；

三个分类模块，分别接收3个concat特征融合层的输出并进行分类，包括卷积层、批归一化层、Dropout层和分类层；

三个输出模块，分别接收三个分类模块中分类层的输出并输出表示分类结果的数值；

判断模块，当三个分类模块中输出所表示的分类结果一致时，将该分类结果作为心电信号的心电类型；

心电波形定位加分类模型装置由以下训练方法训练得到：

收集心电信号图若干个，并按照心电信号类型进行标记形成训练集，心电信号类型的标记位置为R波顶点左右0.02s内的所有点。