System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术关于心率识别领域,特别是有关于一种基于混合压缩的心率检测分类卷积神经方法。
技术介绍
1、随着社会经济的高速发展,城市居民生活方式,工作节奏和饮食规律的变化,心律失常已经成为现代社会的高发病症。轻度心律失常没有明显的症状,极易被忽略,如果不加注意,会逐步转化成恶性心律失常。心电图是心律失常诊断的常用手段,并且需要依据伴随症状,发作频率以及阵发性与否进行综合判断。对于阵发性心律失常,医院进行诊断时往往需要做24小时甚至更长时间的动态心电图进行样本采样。
2、目前,执行心律信号自动检测分类的方式有基于模式识别以及基于神经网络两种。传统的自动心律信号检测分类方法都是基于模式识别,虽然能够实现高分类精度,但是这种方法受样本容量以及特征设计水平的影响难以适应海量且多样的病例样本。
3、近十多年来,深度神经网络(deep neural networks,dnn)在图像分类以及语音识别等领域得到广泛应用,并且其识别能力也远远超过了人类。使用dnn进行心律信号检测逐渐成为行业的焦点。然而,现有的网络需要较大的存储空间,并且对计算资源的需求较大,在嵌入式设备中运行时会产生较高的功耗。
4、虽然卷积神经网络无需数据处理以及特征设计就可以实现高分类精度,但是现有的卷积神经网络需要较大的存储空间,极大地限制了在资源受限设备,另外,目前网络对计算资源的需求较大,在嵌入式设备中运行时会产生较高的功耗,若要满足实时性则需要较高的性能,但是对应的运行功耗开销巨大,若保持较低功耗则性能就偏弱,推理速度很慢。
< ...【技术保护点】
1.一种基于混合压缩的心率检测分类卷积神经方法,其特征在于,该方法包括以下步骤:
2.根据权利要求1所述的一种基于混合压缩的心率检测分类卷积神经方法,其特征在于,步骤S2检测的该心率信号经由该卷积神经网络进行分类,该卷积神经网络包括卷积层、激活层、池化层及全连接层。
3.根据权利要求1所述的一种基于混合压缩的心率检测分类卷积神经方法,其特征在于,步骤S3还包括如下步骤:
4.根据权利要求3所述的一种基于混合压缩的心率检测分类卷积神经方法,其特征在于,步骤S31后还包括选择该卷积神经网络的最小通道数为8。
5.根据权利要求3所述的一种基于混合压缩的心率检测分类卷积神经方法,其特征在于,步骤S34还包括如下步骤:
6.根据权利要求1所述的一种基于混合压缩的心率检测分类卷积神经方法,其特征在于,步骤S4还包括在剪枝后的该卷积神经网络中加入伪量化节点。
7.根据权利要求1所述的一种基于基于混合压缩的心率检测分类卷积神经方法,其特征在于,步骤S5还包括:
8.根据权利要求7所述的一种基于基于混合压缩的心率检
9.一种计算机可读存储介质,其上存储有程序,其特征在于,该程序被处理器执行时实现权利要求1至8任一项所述的一种基于混合压缩的心率检测分类卷积神经方法中的步骤。
10.一种电子设备,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程序,其特征在于,该处理器执行所述程序时实现如权利要求1至8任一项所述的一种基于混合压缩的心率检测分类卷积神经方法的步骤。
...【技术特征摘要】
1.一种基于混合压缩的心率检测分类卷积神经方法,其特征在于,该方法包括以下步骤:
2.根据权利要求1所述的一种基于混合压缩的心率检测分类卷积神经方法,其特征在于,步骤s2检测的该心率信号经由该卷积神经网络进行分类,该卷积神经网络包括卷积层、激活层、池化层及全连接层。
3.根据权利要求1所述的一种基于混合压缩的心率检测分类卷积神经方法,其特征在于,步骤s3还包括如下步骤:
4.根据权利要求3所述的一种基于混合压缩的心率检测分类卷积神经方法,其特征在于,步骤s31后还包括选择该卷积神经网络的最小通道数为8。
5.根据权利要求3所述的一种基于混合压缩的心率检测分类卷积神经方法,其特征在于,步骤s34还包括如下步骤:
6.根据权利要求1所述的一种基于混合压缩的心率检测分类卷积神经方法,其特征在于,步骤...
【专利技术属性】
技术研发人员:张轩,苏锋,
申请(专利权)人:苏州澜普智能技术有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。