一种应用于智能手表的心电图图像分类方法及系统技术方案

本发明专利技术属于图像分类技术领域，提供了一种应用于智能手表的心电图图像分类方法及系统，本发明专利技术中的心电图图像分类模型包括一个进行初始特征提取的卷积层、两个融合了轻量级注意力机制的多尺度深度可分离卷积模块、一个单尺度深度可分离卷积模块和一个全连接分类模块；轻量级注意力机制使用了一个三分支注意力机制进行图像跨维度的交互；使用了轻量级的深度可分离卷积层，充分考虑了不同尺度的图像特征，并且通过轻量级三分支注意力模块实现了图像跨维度的交互，同时引入了残差连接，有效提高了模型的分类准确率和计算效率，满足了智能手表对心电图图像识别算法的要求。手表对心电图图像识别算法的要求。手表对心电图图像识别算法的要求。

【技术实现步骤摘要】
一种应用于智能手表的心电图图像分类方法及系统


[0001]本专利技术属于图像分类
，尤其涉及一种应用于智能手表的心电图图像分类方法及系统。

技术介绍

[0002]心电图能够反映人体心脏各种异常情况，在临床上具有非常重要的参考价值。尤其是很多心脏疾病往往起病急，严重时常会危及生命，所以日常的监测是很有必要的。目前很多内置有心电传感器的智能手表就可对用户的心电信号进行方便有效的持续监测，从而及时检测出用户的心脏异常情况。
[0003]专利技术人发现，智能手表内存有限，且计算处理能力较低，这就要求所应用的心电图分类方法和模型在保持准确率的情况下，时间复杂度和空间复杂度要尽可能低，以便实现智能手表对用户心电图的快速识别，而现有图像分类模型不能实现对智能手表中轻量级图像的精确、高效分类。

技术实现思路

[0004]本专利技术为了解决上述问题，提出了一种应用于智能手表的心电图图像分类方法及系统，本专利技术通过轻量级三分支注意力模块实现了图像跨维度的交互，同时引入了残差连接，有效提高了模型的分类准确率和计算效率，满足了智能手表对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种应用于智能手表的心电图图像分类系统，其特征在于，包括：数据采集模块，被配置为：获取心电图图像；分类模块，被配置为：依据获取的心电图图像，以及预设的心电图图像分类模型，得到分类结果；其中，所述心电图图像分类模型包括一个进行初始特征提取的卷积层、两个融合了轻量级注意力机制的多尺度深度可分离卷积模块、一个单尺度深度可分离卷积模块和一个全连接分类模块；第一个多尺度深度可分离卷积模块包括卷积核大小不同的三个并列的深度可分离卷积单元，三个深度可分离卷积单元通过残差连接进行特征提取；第二个多尺度深度可分离卷积模块包括两个并列的深度可分离卷积单元；单尺度深度可分离卷积模块包括一个深度可分离卷积单元，两个深度可分离卷积单元通过残差连接进行特征提取；轻量级注意力机制使用了一个三分支注意力机制进行图像跨维度的交互；全连接分类模块输出心电图图像的最终分类结果。2.如权利要求1所述的一种应用于智能手表的心电图图像分类系统，其特征在于，对获取的心电图图像进行长宽设置、灰度化处理和归一化操作。3.如权利要求1所述的一种应用于智能手表的心电图图像分类系统，其特征在于，每个深度可分离卷积单元包括两个深度可分离卷积层、一个轻量级注意力层和一个最大池化层。4.如权利要求3所述的一种应用于智能手表的心电图图像分类系统，其特征在于，每个深度可分离卷积层包括逐通道卷积和逐点卷积两个过程。5.如权利要求3所述的一种应用于智能手表的心电图图像分类系统，其特征在于，所述轻量级注意力层使用了三分支注意力机制，实现了图像的跨维度交互。6.如权利要求5所述的一种应用于智能手表的心电图图像分类系统，其特征在于，首先，在第一个分支注意力机制中，将C
×
H
×
W的特征图A的维度转换为H
×
C
×
W，得到特征图A1，在H维度上进行Z
‑
Pool操作，得到形如2
×
C
×
W的张量，依次经过深度可分离卷积层、批归一化层以及Sigmoid激活函数层后得到注意力权值，并将注意力权值与特征图A1相乘，再次进行维度转换，得到C
×
H
×
W的特征图B1；在第二个注意力机制分支中，将C
×
H
×
W的特征图A的维度转换为W
×
H
×

【专利技术属性】
技术研发人员：宫宁基，宫永顺，贺甜甜，
申请(专利权)人：山东大学，
类型：发明
国别省市：