基于小型卷积神经网络的心律失常分类检测方法及系统技术方案

本发明专利技术提出了一种基于小型卷积神经网络的心律失常分类检测方法及系统，涉及心电信号处理技术领域,采用单路径多层网络对穿戴式心电监测设备采集的心跳序列进行实时的心律失常分类检测，具体包括：对待检测的心跳序列进行多层卷积计算，得到一组高度集成的特征序列；采用双层池化对得到的特征序列进行特征降维，得到压缩后的一组特征值；将特征值输入到全连接层，得到心律失常分类的预测结果；本发明专利技术基于对不同网络结构应用效果的研究，采用单路径多层网络对穿戴式心电监测设备采集的心跳序列进行检测，并对模型结构进行改进，简化模型的参数量以及计算量，满足穿戴式心电设备的硬件要求，实现高精度的心律失常自动检测。实现高精度的心律失常自动检测。实现高精度的心律失常自动检测。

【技术实现步骤摘要】
基于小型卷积神经网络的心律失常分类检测方法及系统


[0001]本专利技术属于心电信号处理
，尤其涉及一种基于小型卷积神经 网络的心律失常分类检测方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构 成在先技术。
[0003]心律失常是常见的心血管疾病，其定义为心脏冲动的频率、节律、起 源部位、传导速度或激动次序的异常。心电信号是诊断心律失常的重要依 据，但是基于传统的短时心电信号进行监测，导致心律失常的临床检出率 不高，造成临床干预率不高。穿戴式心电监测设备能够收集长程的心电信 号，但是其分布式的处理结构、更强的噪声干扰、大量的实时数据和有限 的终端处理能力给实时判读造成困难。所以研究适用于穿戴式心电设备的 小型卷积神经网络很有意义。
[0004]目前，对于心律失常的自动检测主要有两种方法：基于传统机器学习 的方法与基于深度学习的方法。Martis等人利用小波分解得到的高阶谱累 积量作为特征，通过核函数支持向量机对正常和异常心拍进行分类。Martis 等人使用独立成分分析方法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小型卷积神经网络的心律失常分类检测方法，其特征在于，采用单路径多层网络对穿戴式心电监测设备采集的心跳序列进行实时的心律失常分类检测，具体包括：对待检测的心跳序列进行多层卷积计算，得到一组高度集成的特征序列；采用双层池化对得到的特征序列进行特征降维，得到压缩后的一组特征值；将特征值输入到全连接层，得到心律失常分类的预测结果。2.如权利要求1所述的一种基于小型卷积神经网络的心律失常分类检测方法，其特征在于，所述单路径多层网络，包括卷积层、池化层和全连接层；每个卷积层的输出使用池化进行下采样，在最后一个卷积层之后使用双层池化进行特征降维。3.如权利要求2所述的一种基于小型卷积神经网络的心律失常分类检测方法，其特征在于，所述单路径多层网络，采用多个卷积层，每个卷积层中卷积核的尺寸逐层递增，卷积核的个数也逐层递增；卷积核的尺寸公式为：k
i
＝i
×
a(i∈[1,5])
ꢀꢀꢀꢀꢀꢀꢀ
(2)其中，k
i
表示第i层卷积核尺寸，参数a为正整数；卷积核的个数公式为：f
i
＝2
b+i
‑1(i∈[1,5])
ꢀꢀꢀꢀꢀꢀꢀ
(3)其中，f
i
代表第i层的卷积核数量，b为正整数。4.如权利要求3所述的一种基于小型卷积神经网络的心律失常分类检测方法，其特征在于，优选的，所述卷积核的尺寸均设置为偶数。5.如权利要求3所述的一种基于小型卷积神经网络的心律失常...

【专利技术属性】
技术研发人员：魏守水，李永建，韩宝坤，刘磊，陈蒙，
申请(专利权)人：山东大学，
类型：发明
国别省市：