[发明专利]基于轻量级神经网络的心电图分类方法

摘要

一种基于轻量级神经网络的心电图分类方法，通过单导联心电图数据和轻量级神经网络模型实现心律失常自动分类的方法。首先，肢体II导联心电信号蕴含足够的信息；其次，使用卷积核大小为1的卷积层和全局平均池化层压缩特征维度；最后使用流线型的深度可分离卷积快速提取特征。利用单导联数据集和轻量级神经网络模型可以在保证模型准确率的基础上大幅度提高模型运算速度。

主权项

1.一种基于轻量级神经网络的心电图分类方法，其特征在于，包括如下步骤：a)计算机从MIT‑BIH心律失常数据库中获取心电数据，根据心电数据中导联记录内容，选择upper信号为Ⅱ导联信号作为实验数据；b)使用基于双尺度小波变换法对实验数据进行降噪处理，定位实验数据中的QRS波群，通过QRS波群获取心电信号中的P波和T波的位置，获取一个心拍数据，通过边缘填充随机剪裁算法得到心拍数据的扩充数据集；c)对扩充数据集添加高斯白噪声，得到数据集集合，通过公式X_i＝{x₁₁,x₁₂,...x_1N}计算数据集集合中第i个样本X_i，式中x₁₁为心电数据中肢体II导联第1个点位电压，N为心电数据中肢体II导联使用的像素点个数；d)通过包含c¹个卷积核的一维卷积层Conv1D对数据集集合提取特征，得到特征图a¹，其中c¹为特征图a¹通道数，w¹为特征图a¹每个通道特征宽度，计算得到第k个通道的特征图e)通过卷积核为1的卷积层将特征图进行压缩，得到压缩特征图a^2.1，其中压缩特征图a^2.1通道数为c^2.1，压缩特征图a^2.1每个通道特征宽度为w^2.1，通过深度卷积层计算得到压缩特征图计算得到第k个通道的特征图其中压缩特征图的通道数为c²²，压缩特征图的每个通道特征宽度为w²²；f)通过批处理层，利用公式计算特征图归一化数据均值u^2.2，式中为特征图第k个通道的第i个特征，通过公式计算特征图归一化数据方差σ^2.2，通过公式计算特征图规范化函数BN_γ,β(a^2.2)，其中式中0＜ε＜0.001，γ为线性规范化的斜率，β为线性规范化的截距，a^2.3为a^2.2批规范化的结果；g)通过非线性激活层，利用公式计算得到线性修正结果a^2.4，通过逐点卷积层对线性修正结果a^2.4计算得到扩张特征图a^2.5，通过批处理层和ReLU激活函数对扩张特征图a^2.5计算得到特征图a²，其中特征图a²的通道数为c²，特征图a²的每个通道特征宽度为w²；h)通过最大池化层，计算特征图a²压缩后的结果特征图a³；i)用结果特征图a³替换步骤d)中的特征图a¹后重复执行步骤e)至步骤h)，得到心电特征图a⁴，其中心电特征图a⁴的通道数为c⁴，心电特征图a⁴的每个通道特征宽度为w⁴；j)通过池化层，计算心电特征图a⁴压缩后的结果特征图a⁵；k)用结果特征图a⁵替换步骤d)中的特征图a¹后重复执行步骤e)至步骤h)，得到心电特征图a⁶，其中心电特征图a⁶的通道数为c⁶，心电特征图a⁶的每个通道特征宽度为w⁶；l)通过全局平均池化层，利用公式计算压缩得到的结果特征图a⁷，式中是第i个位置的特征；m)通过展平层将结果特征图a⁷展平成为一维向量a⁸，通过全连接层根据公式a⁹＝W_i⁸·a⁸+b⁸计算样本对应每类疾病得分a⁹，式中W_i⁸是全连接层权重，b⁸为全连接层偏倚，通过softmax激活函数根据公式计算预测结果a¹⁰，其中表示对第i类疾病预测得分，表示对第j类疾病预测得分；n)使用交叉熵函数计算预测结果a¹⁰的损失，如果损失小于制定阈值Threshold则跳转至步骤p)，如果损失大于等于制定阈值Threshold则跳转至步骤o)；o)使用Adam优化算法调整模型参数，跳转至步骤e)；p)保存模型参数，算法结束。