基于金字塔型卷积层的心电信号深度神经网络建模方法技术

本发明专利技术公开了基于金字塔型卷积层的心电信号深度神经网络建模方法。搭建更优的深度卷积神经网络模型很有必要。本发明专利技术具体步骤如下：将传入的心电信号分别输入到不同卷积核的卷积层中，使得整个输入信号的每个感受野都通过不同的卷积核重复作用；接着，将多个卷积分支形成的特征图输出进行级联，并经过一个卷积核为1的卷积层以得到得到最终的心电信号特征图；心电信号特征图在m个残差块中逐个依次传输后通过一个全连接层分类。本发明专利技术能够在自动提取心电信号特征的同时，保留住多尺度的心电信号细节信息，呈现出含有更丰富特征的特征图，有效提高了心律失常识别和分类的准确性。

Neural network modeling method of ECG signal depth based on pyramid convolution

【技术实现步骤摘要】
基于金字塔型卷积层的心电信号深度神经网络建模方法
本专利技术属于心电信号分类
，具体涉及一种基于金字塔型卷积层的心电信号深度神经网络建模方法。
技术介绍
心血管疾病的诊断是心电图分析的主要应用领域之一。据世界卫生组织报道，心血管疾病是世界范围内死亡的主要原因。在心血管疾病中，心律失常(Arrhythmia)发生最多，而心室颤动(Atrialfibrillation，AF)就是其中一种最为常见的心律失常疾病，会引起心跳不规律、迅速收缩等症状。发生房颤时，心跳的频率往往快而不规则，有时可以达到100次/min～160次/min。检测房颤有助于慢性房颤的早期诊断、治疗和并发症的预防，因此，如何对其进行精确分类一直是生物医学研究的热点之一。深度学习(DeepLearning)能够从原始输入中自动学习到深层特征，而无需手动提取特征。现有的心电分析算法大多是采用DNNs实现的，用DNNs对心电数据进行处理时，构建端到端网络架构这些用DNNs对心电数据进行分类的研究也取得了良好的效果。在神经网络中，卷积神经网络特有的卷积层和池化层使其具有很好的本文档来自技高网...

【技术保护点】
1.基于金字塔型卷积层的心电信号深度神经网络建模方法，具体步骤如下：/n步骤1、构建基于金字塔型卷积层的心电信号深度神经网络模型，该心电信号深度神经网络模型包括一层金字塔型卷积层和m个残差块，8≤m≤24；所述的金字塔型卷积层由n+1个常规卷积层组成，n≥2；前n个常规卷积层的卷积核最大为16，最小为4，其余取16与4之间的奇数，而最后一个常规卷积层的卷积核设置为1；/n步骤2、将训练集的心电信号输入基于金字塔型卷积层的心电信号深度神经网络模型进行训练，具体如下：/n1)将心电信号x分别输入到金字塔型卷积层的前n层常规卷积层中，由于金字塔型卷积层的前n层常规卷积层的卷积核均不相同，从而得到n个...

【技术特征摘要】
1.基于金字塔型卷积层的心电信号深度神经网络建模方法，具体步骤如下：
步骤1、构建基于金字塔型卷积层的心电信号深度神经网络模型，该心电信号深度神经网络模型包括一层金字塔型卷积层和m个残差块，8≤m≤24；所述的金字塔型卷积层由n+1个常规卷积层组成，n≥2；前n个常规卷积层的卷积核最大为16，最小为4，其余取16与4之间的奇数，而最后一个常规卷积层的卷积核设置为1；
步骤2、将训练集的心电信号输入基于金字塔型卷积层的心电信号深度神经网络模型进行训练，具体如下：
1)将心电信号x分别输入到金字塔型卷积层的前n层常规卷积层中，由于金字塔型卷积层的前n层常规卷积层的卷积核均不相同，从而得到n个不同卷积核的常规卷积层分支形成的特征图；
2)将这n个不同卷积核的常规卷积层分支形成的特征图进行级联，得到级联后的特征图：



其中，X为级联后的特征图，Concat表示各常规卷积层分支形成的特征图在通道上的级联，表示第l个常规卷积层分支形成的特征图；
3)将级联后的特征图再经过金字塔型卷积层最后一个卷积核为1的常规卷积层，得到最终的心电信号特征...

【专利技术属性】
技术研发人员：蒋明峰，鲁薏，李杨，汪亚明，杨晓城，
申请(专利权)人：浙江理工大学，
类型：发明
国别省市：浙江;33