[发明专利]基于深度可分离卷积和改进损失函数的心律失常分类方法

权利要求书

1.基于深度可分离卷积和改进损失函数的心律失常分类方法，其特征在于：包括如下步骤：

步骤1、将一维心电数据预处理：根据MIT-BIH心律失常数据库给出的R峰位置，将心电信号进行分段，然后将每一段一维心电信号绘制成二维灰度图像，共获得17类心电数据；

步骤2、构建基于深度可分离卷积神经网络和改进交叉熵损失函数的二维卷积神经网络模型；

步骤3、将训练集的心电信号输入基于深度可分离卷积神经网络和改进交叉熵损失函数的卷积神经网络模型进行训练。

2.根据权利要求1所述基于深度可分离卷积和改进损失函数的心律失常分类方法，其特征在于：所述步骤2中该模型一共包括3个卷积块；在每个卷积块中都包含2个深度可分离卷积层和1个池化层；最后构建使用改进交叉熵损失函数的全连接层。

3.根据权利要求2所述基于深度可分离卷积和改进损失函数的心律失常分类方法，其特征在于：所述步骤3具体如下：

1)将心电信号依次输入到卷积块中，不断经过深度可分离卷积和池化层形成最终的特征图；

2)心电信号特征图在卷积块中依次传输后通过一个全连接层分类，需要使用损失函数对17个类别的心电信号进行损失分配；

3)设置迭代次数epoch＝100，当模型连续6次准确率没有提升时，停止训练，选择最后的模型作为最终模型。

4.根据权利要求3所述基于深度可分离卷积和改进损失函数的心律失常分类方法，其特征在于：所述步骤1)中深度可分离卷积层内部包含3个卷积核为3的卷积以及1个卷积核为1的卷积，在该卷积结构中，心电信号分别输入到3个卷积核为3的卷积中，然后级联后再输入卷积核为1的卷积中，得到最终的特征图。

5.根据权利要求3所述基于深度可分离卷积和改进损失函数的心律失常分类方法，其特征在于：所述步骤2)中使用改进交叉熵损失函数作为卷积神经网络中的损失函数，对17类不均衡的心电数据实现分类，改进交叉熵损失函数增加了调制因子α和γ，通过设置α值，控制不同样本数的类别相对总损失的权重，在控制权重后，通过加入调节因子γ来控制易分类样本和难分类样本的权重，该因子降低了易分类样本的权重，使得模型在训练过程中更加关注难以分类的样本，改进交叉熵损失函数定义如下：

Focal loss(p_t)＝-α(1-p_t)^γlog(p_t)

其中，p_t是类别t的估计概率，将调制因子γ设置为2，将调制因子α设置为0.25。