一种基于超轻量级卷积神经网络的ECG信号分类方法技术

本发明专利技术公开了一种基于超轻量级卷积神经网络的ECG信号分类方法，包括以下步骤：S1、获取ECG数据集，并制作成训练集和验证集；S2、采用训练集和验证集对ECG信号分类模型进行训练和验证，得到最优的ECG信号分类模型；S3、实时采集ECG心拍信号，并对其进行预处理，得到多段ECG数据；S4、将多段ECG数据依次输入最优的ECG信号分类模型，得到ECG数据的分类结果；本发明专利技术解决了端到端检测算法使用的CNN中常规全连接层的参数量庞大以及常规卷积层运算量庞大的问题，实现将算法运算复杂度的数量级拉低到适用于存储资源极其受限设备的水平。

【技术实现步骤摘要】
一种基于超轻量级卷积神经网络的ECG信号分类方法
本专利技术涉及ECG信号分类领域，具体涉及一种基于超轻量级卷积神经网络的ECG信号分类方法。
技术介绍
心电图(ECG)记录通过心脏的电信号，临床上常用它进一步诊断与心律失常有关的疾病。传统的心律不齐检测方法使用医院笨重的心电仪采集病人的短时ECG信号，并由心脏内科医生通过视觉诊断。然而，由于心律失常是间歇性发生的，尤其是在问题的早期阶段，因此很难从短时间窗口的ECG信号中发现心律失常以至于错过心脏病患者的最佳治疗时机。所以带有实时心律不齐检测能力的长期ECG监测对于早期发现潜在问题十分有必要。长期且实用的ECG监测设备要求设备具有经济性和便携性的特点，近年来，可穿戴式ECG监测设备作为一种经济有效的解决方案被提出和研究。具有自动检测功能的可穿戴式ECG监测设备可以为用户提供实时的心脏健康建议，同时记录反应异常ECG信号。实时的心律不齐检测对于潜在心脏病患者是很有意义，它能从ECG信号中发现真正发病前的征兆，意味着病人将拥有更多的时间去咨询医生或接受治疗。然而，作为一种边缘设备，它的各种本文档来自技高网...

【技术保护点】
1.一种基于超轻量级卷积神经网络的ECG信号分类方法，其特征在于，包括以下步骤：/nS1、获取ECG数据集，并制作成训练集和验证集；/nS2、采用训练集和验证集对ECG信号分类模型进行训练和验证，得到最优的ECG信号分类模型；/nS3、实时采集ECG心拍信号，并对其进行预处理，得到多段ECG数据；/nS4、将多段ECG数据依次输入最优的ECG信号分类模型，得到ECG数据的分类结果。/n

【技术特征摘要】
1.一种基于超轻量级卷积神经网络的ECG信号分类方法，其特征在于，包括以下步骤：
S1、获取ECG数据集，并制作成训练集和验证集；
S2、采用训练集和验证集对ECG信号分类模型进行训练和验证，得到最优的ECG信号分类模型；
S3、实时采集ECG心拍信号，并对其进行预处理，得到多段ECG数据；
S4、将多段ECG数据依次输入最优的ECG信号分类模型，得到ECG数据的分类结果。


2.根据权利要求1所述的基于超轻量级卷积神经网络的ECG信号分类方法，其特征在于，所述步骤S2中训练过程的ECG信号分类模型包括：第一二分类模型和第一五分类模型；
所述第一二分类模型包括：第一DSCEMP卷积层、第二DSCEMP卷积层、第一LDSCP全连接层、第一全连接层和第一softmax层；
所述第一DSCEMP卷积层、第二DSCEMP卷积层、第一LDSCP全连接层、第一全连接层和第一softmax层顺次连接；所述第一DSCEMP卷积层的输入端作为第一二分类模型的输入端；所述第一softmax层的输出端作为第一二分类模型的输出端；
所述第一五分类模型包括：第三DSCEMP卷积层、第四DSCEMP卷积层、第一LDDCP全连接层、第二全连接层和第二softmax层；
所述第三DSCEMP卷积层、第四DSCEMP卷积层、第一LDDCP全连接层、第二全连接层和第二softmax层顺次连接；所述第三DSCEMP卷积层的输入端作为第一五分类模型的输入端，所述第二softmax层的输出端作为第一五分类模型的输出端；
所述步骤S2的训练和验证过程为：
所述第一二分类模型的训练和验证过程为：
A1、采用样本平衡策略处理训练集，得到概率相近的训练集；
A2、将概率相近的训练集输入第一二分类模型中，通过反向传播训练算法对第一二分类模型进行训练，得到训练完成的第一二分类模型，其中，反向传播训练算法的损失函数的计算公式为：



其中，J(ω)为损失函数，K为概率相近的训练集中的样本总数，y(k)为第k个样本的标签值，φ(k)为第k个样本的预测结果，M为偏置因子；
A3、采用验证集对训练完成的第一二分类模型进行验证，保留最优的第一二分类模型；
所述第一五分类模型的训练和验证过程为：
A4、将概率相近的训练集输入第一五分类模型中，并对第一五分类模型进行训练，得到训练完成的第一五分类模型；
A5、从验证集中筛选出心率异常的验证集，并将心率异常的验证集输入训练完成的第一五分类模型中，并对其进行验证，保留最优的第一五分类模型；
A6、去掉最优的第一二分类模型和最优的第一五分类模型中softmax层，并将去掉softmax层后的最优的第一二分类模型和最优的第一五分类模型进行拼接，得到最优的ECG信号分类模型。


3.根据权利要求2所述的基于超轻量级卷积神经网络的ECG信号分类方法，其特征在于，所述步骤S2中最优的ECG信号分类模型的结构为：第一DSCEMP卷积层、第二DSCEMP卷积层、第一LDSCP全连接层、第一全连接层、第三DSCEMP卷积层、第四DSCEMP卷积层、第一LDDCP全连接层和第二全连接层顺次连接；所述第一DSCEMP卷积层的输入端作为最优的ECG信号分类模型的输入端；所述第二全连接的输出端作为最优的ECG信号分类模型的输出端。


4.根据权利要求2所述的基于超轻量级卷积神经网络的ECG信号分类方法，其特征在于，所述第一DSCEMP卷积层和第三DSCEMP卷积层均包括：第一深度卷积层、第一嵌入最大池化层和第一逐点卷积层；
所述第一深度卷积层、第一嵌入最大池化层和第一逐点卷积层顺次连接；所述第一深度卷积层的输入端作为第一DSCEMP卷积层或第三DSCEMP卷积层的输入端；所述第一逐点卷积层的输出端作为第一DSCEMP卷积层或第二DSCEMP卷积层的输出端；
所述第二DSCEMP卷积层和第四DSCEMP卷积层均包括：第二深度卷积层、第二嵌入最大池化层和第二逐点卷积层；
所述第二深度卷积层、第二嵌入最大池化层和第二逐点卷积层顺次连接；所述第二深度卷积层的输入端作为第二DSCEMP卷积层或第四DSCEMP卷积层的输入端；所述第二逐点卷积层的输出端作为第二DSCEMP卷积层或第四DSCEMP卷积层的输出端；
所述第一DSCEMP卷积层的通道数为第三DSCEMP卷积层的通道数的一半；所述第二DSCEMP卷积层的通道数为第四DSCEMP卷积层的通道数的一半；
所述第一深度卷积层的卷积核为PADC-卷积核，其核的尺寸为：15*1，其中，15为PADC-卷积核的长度，1为PADC-卷积核的宽度；
所述第一深度卷积层的PADC-卷积核的膨胀率为：4*1，其中，4为PADC-卷积核长度方向上的膨胀率，1为PADC-卷积核宽度方向上的膨胀率；
所述第一嵌入最大池化层的嵌入最大池化为：4*1，其中，4为在输入特征图的长度方向上的池化窗口和步进的大小，1为在输入特征图宽度方向上的池化窗口和步进的大小；
所述第二深度卷积层的卷积核为PADC-卷积核，其核长为：9*1，其中，9为PADC-卷积核的长度，1为PADC-卷积核的宽度；
所述第二深度卷积层的PADC-卷积核的膨胀率为：3*1，其中，3为PADC-卷积核长度方向上的膨胀率，1为PADC-卷积核宽度方向上的膨胀率；
所述第二嵌入最大池化层的嵌入最大池化为：2*1，其中，2为输入特征图的长度方向上的池化窗口和步进的大小，1为输入特征图宽度方向上的池化窗口和步进的大小。


5.根据权利要求4所述的基于超轻量级卷积神经网络的ECG信号分类方法，其特征在于，所述第一DSCEMP卷积层在训练过程中对概率相近的训练集的处理过程包括以下步骤：
B1、采用第一深度卷积层对训练集中每个原始图的单独通道上设置不同的卷积核进行空间感知，得到原始特征图；
B2、采用第一嵌入最大池化层对原始特征图进行降采样处理，得到显著特征图：






其中，F′MP为第一嵌入最大池化层输出的显著特征图，FDC为原始特征图，s为第一嵌入最大池化层的池化窗口的长度，l为第一嵌入最大池化层的通道数；
B3、采用第一逐点卷积层对显著特征图进行逐点卷积，并将逐点卷积后的显著特征图的输出通道投影到高维度的输出张量上，得到第...

【专利技术属性】
技术研发人员：周军，肖剑彪，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51