[发明专利]一种基于深度迁移学习的心律异常分类方法在审
| 申请号： | 201811353814.8 | 申请日： | 2018-11-14 |
| 公开（公告）号： | CN109645980A | 公开（公告）日： | 2019-04-19 |
| 发明（设计）人： | 吕卫;王粟瑶;褚晶辉 | 申请（专利权）人： | 天津大学 |
| 主分类号： | A61B5/0402 | 分类号： | A61B5/0402;A61B5/0456 |
| 代理公司： | 天津市北洋有限责任专利代理事务所 12201 | 代理人： | 李林娟 |
| 地址： | 300072*** | 国省代码： | 天津;12 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于深度迁移学习的心律异常分类方法，所述方法包括：将处理后的ECG信号通过1D‑CNN和LSTM的级联网络结构，将信号的空间特征和时间特征结合起来提取ECG信号特征；通过多尺度融合的连接方式，将小尺度特征上采样插值到与相邻特征图相等大小的尺度上进行特征融合；将源域和目标域数据的特征通过自适应层进行特征差异调整，源域数据从自适应层输出的特征通过全连接层和Softmax分类器计算分类损失，计算通过自适应层输出的源域和目标域特征间的MMD损失；最后结合分类损失和MMD损失共同调整网络参数。本发明提高了不同域ECG数据多种心律失常识别的准确率，满足了实际应用中的需要。 | ||
| 搜索关键词： | 自适应层 源域 异常分类 目标域 心律 迁移 小尺度特征 空间特征 连接方式 时间特征 特征差异 特征融合 网络参数 网络结构 相邻特征 心律失常 输出 多尺度 分类器 连接层 上采样 分类 准确率 级联 相等 尺度 学习 融合 应用 | ||
【主权项】：
1.一种基于深度迁移学习的心律异常分类方法，其特征在于，所述方法包括：将处理后的ECG信号通过1D‑CNN和LSTM的级联网络结构，将信号的空间特征和时间特征结合起来提取ECG信号特征；通过多尺度融合的连接方式，将小尺度特征上采样插值到与相邻特征图相等大小的尺度上进行特征融合；将源域和目标域数据的特征通过自适应层进行特征差异调整，源域数据从自适应层输出的特征通过全连接层和Softmax分类器计算分类损失，计算通过自适应层输出的源域和目标域特征间的MMD损失；最后结合分类损失和MMD损失共同调整网络参数。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于天津大学，未经天津大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201811353814.8/，转载请声明来源钻瓜专利网。
- 上一篇：动态心电信号伪差识别方法及装置
- 下一篇：数据处理方法及数据处理装置
