一种基于增量量化的心律检测卷积神经网络方法技术

本发明专利技术涉及一种基于增量量化的心律检测卷积神经网络方法，首先对待检测心律信号进行识别；通过对网络规模探索得到所需的网络结构；基本块进行特征的提取；全连接层根据提取到的心律信号特征进行分类，最终实现17种类型的心律结果；通过增量量化的压缩方法将网络进行轻量化处理。本发明专利技术具备更强的心律识别分类和学习能力，能较好地应对各种类型的心律异常情况，网络识别准确率较高。基于增量量化的卷积神经网络直接从原始数据学习特征，不需要额外的数据处理和特征工程，其层次化的结构使其表现出更好的泛化能力和鲁棒性，更适合处理以图像表示心脏活动的心律信号，并且轻量化的网络更容易在硬件中部署。络更容易在硬件中部署。络更容易在硬件中部署。

【技术实现步骤摘要】
一种基于增量量化的心律检测卷积神经网络方法


[0001]本专利技术公开了一种基于增量量化的心律检测卷积神经网络方法，涉及心律识别技术，属于计算、推算、人工智能的


技术介绍

[0002]心律失常是心血管疾病的起因，中国医学科学院2018年研究数据表明：心律失常造成的心血管疾病是威胁人民生命健康的主要疾病。我国每年约有54万人死于心律失常导致的猝死，大部分送治不及时的猝死案例发生在医院外，因此“早预防、早发现、早治疗”是避免该现象发生的重要举措。心律检测是重要检测手段之一，被广泛应用于临床诊断心律不齐，部分类型心律失常的早期症状由于持续时间短且临床病症不明显，常规的诊察手段不易察觉出问题，但是发病的时候会十分突然且症状强烈，因此长期且准确地检测心律的变化是十分需要的。如果患者使用贴片式或手环等可穿戴设备可以进行长时间且实时地心律检测，在出现心律失常时及时发出健康预警，可以有效避免更多意外发生。因此，能够进行实时心律失常监测的智能可穿戴设备相关技术受到了广泛关注。
[0003]现有的自动心律诊断设备系统通常都基于模式识别的机器学习算本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于增量量化的心律检测卷积神经网络方法，其特征在于，该方法包括：步骤1，首先对待检测心律信号进行识别，步骤2，通过对网络规模探索得到所需的网络结构，步骤3，基本块进行特征的提取，步骤4，全连接层根据提取到的心律信号特征进行分类，最终实现17种类型的心律结果，步骤5，通过增量量化的压缩方法将网络进行轻量化处理。2.根据权利要求1所述的基于增量量化的心律检测卷积神经网络方法，其特征在于，所述心律检测卷积神经网络由提取心律信号特征的卷积神经网络基本块组成，该基本块由卷积层、激活层和最大池化层组成，这种设计舍弃了在信号输入网络之前的心拍检测阶段，有利于准确地识别心律信号。3.根据权利要求2所述基于增量量化的心律检测卷积神经网络方法，其特征在于，所述心律检测卷积神经网络，其性能和深度探索的方法为：对具有不同个数基本块的网络结构的性能和内存进行对比，来寻找性能与内存最合适的点，先对不同的深度的网络结构、网络识别准确率和所需内存的关系进行实验，使用训练样本对所有结构的神经网络进行多次训练，并选取训练过程中准确率最高的模型，根据网络的识别准确率和内存确定最终的网络拓扑结构。4.根据权利要求1所述基于增量量化的心律检测卷积神经网络方法，其特征在于，对心律检测卷积神经网络的增量量化方法为：通过权重分组、分组量化和重新训练的步骤将原有全精度网络权重更新为2的幂次方或0，权重分组是将预训练的全精度卷积神经网络模型每一层中的权重划分为两个不相交的组，这两组权重会发挥出互补作用，第一组的权重通过可变长度编码方法量化为2的幂或零，形成原始模型的低精度基础，另一组的权重被重新训练，同时第一组已量化的权重数据固定不变，以补偿量化导致的识别准确率下降，这三个操作以迭代的方式在未量化的权重组上不断重复，直到所有权重都被量化。5.根据权利要求4所述基于增量量化的心律检测卷积神经网络方法，其特征在于，所述的增量量化，其量化策略是在训练中量化，量化粒度是将所有层的权重视为一个向量进行量化，增量量化是通过分组的方式将权重分批进行量化，通过训练未量化的权重来弥补识别准确率的损失，相较于训练后量化而言，训练中量化具有更高的识别准确率。6.根据权利要求4所述基于增量量化的心律检测卷积神经网络方法，其特征在于，所述的增量量化，采用分组策略，参照剪枝的思想，绝对值更大的权重对网络的推理结果影响...

【专利技术属性】
技术研发人员：刘昊，黄俊光，
申请(专利权)人：东南大学苏州研究院，
类型：发明
国别省市：