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，满足了智能手表对心电图图像识别算法的要求。
[0005]为了实现上述目的，本专利技术是通过如下的技术方案来实现：
[0006]第一方面，本专利技术提供了一种应用于智能手表的心电图图像分类系统，包括：
[0007]数据采集模块，被配置为：获取心电图图像；
[0008]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；
[0009]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。
[0010]进一步的，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。
[0011]进一步的，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。
[0012]进一步的，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。
[0013]进一步的，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。
[0014]进一步的，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
×
C，得到特征图A2，在W维度上进行Z
‑
Pool操作得到形如2
×
H
×
C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B1相乘，再次进行维度转换，得到C
×
H
×
W的特征图B2；在第三个注意力机制分支中，在C维度上进行Z
‑
Pool操作得到形如2
×
H
×
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C1相乘，再次进行维度转换，得到C
×
H
×
W的特征图B3；然后，将三个注意力机制分支的输出张量相加并求平均得到轻量级注意力层的输出特征B，随后将输出特征B送入最大池化层得到特征C。
[0015]进一步的，心电图图像的最终分类结果包括正常搏动、室上性异位搏动、心室异位搏动和融合搏动。
[0016]第二方面，本专利技术还提供了一种应用于智能手表的心电图图像分类方法，包括：
[0017]获取心电图图像；
[0018]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；
[0019]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。
[0020]第三方面，本专利技术还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现了第一方面所述的应用于智能手表的心电图图像分类方法的步骤。
[0021]第四方面，本专利技术还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现了第一方面所述的应用于智能手表的心电图图像分类方法的步骤。
[0022]与现有技术相比，本专利技术的有益效果为：
[0023]本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，满足了智能手表的时间和内存要求，满足了智能手表对心电图图像识别算法的要求。
附图说明
[0024]构成本实施例的一部分的说明书附图用来提供对本实施例的进一步理解，本实施例的示意性实施例及其说明用于解释本实施例，并不构成对本实施例的不当限定。
[0025]图1为本专利技术实施例1的流程图；
[0026]图2为本专利技术实施例1的轻量级心电图图像分类模型的结构图；
[0027]图3为本文档来自技高网...

【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：