[发明专利]基于卷积神经网络的心率失常分类算法

权利要求书

1.基于卷积神经网络的心律失常分类算法，其特征是，包括以下几个步骤：

步骤1：使用小波变换的方法，对心电信号进行降噪；

步骤2：心电信号由多个心拍构成，通过R波定位算法，将心电信号分割为单个心拍；

步骤3：将一维信号转为二维图片，并分别构建训练集和测试集；

步骤4：将训练数据集的一部分输入分别输入到Deep-LeNet和多尺度卷积神经网络（multiscale convolution neural network，MCNN）进行训练，构建一种适用于心拍图片分类的卷积神经网络模型;

步骤5：将训练集的另外一部分输入到构建好的网络模型中，用于验证网络对于其他数据的分类性能，并对网络模型的参数进行优化调整，获取性能最佳的分类模型；

步骤6：再将测试集输入到步骤5中得到的分类模型中，对测试集进行识别，对比两个网络的分类结果;

一种基于卷积神经网络的心律失常分类算法，其特征在于：针对二维心电信号这一稀疏图像，来搭建出适用于这一图像分类的卷积神经网络模型，首先在保证网络分类耗时的情况下，尽可能的提高网络的分类准确率，使得搭建的卷积神经网络更能够抓取到心电图像的特征，其次搭建一个深度卷积神经网络，来实现更高准确率的分类效果，最终得到适用于心电图像识别的二维卷积神经网络。

2.根据权利要求1所述的基于卷积神经网络的心律失常分类算法，其特征在于：保证分类耗时的情况下，在LeNet网络的基础上，搭建出Deep-LeNet网络，网络相比，具有更小的卷积核，在处理稀疏图像上有很大优势。

3.根据权利要求1或2所述的基于卷积神经网络的心律失常分类算法，其特征在于：在改进的Deep-LeNet网络中，我们使用小尺度卷积核堆叠的方式代替传统网络中的大卷积核，不但能够保证其局部感受野不变，而且小尺度卷积核有更多的非线性，使得判别函数更加具有判别性，而且相比小尺寸卷积神经网络有更少的参数，能够使网络模型速度提升。

4.根据权利要求3所述的基于卷积神经网络的心律失常分类算法，其特征在于：Deep-LeNet网络由四层3×3的卷积核以及两层池化层所构成，MCNN网络在Deep-LeNet网络的基础上加入了inception层，对网络进行了极大的改进。

5.根据权利要求1所述的基于卷积神经网络的心律失常分类算法，其特征在于：在不针对网络耗时的情况下，我们构建出深度卷积神经网络模型，多尺度卷积神经网络(Multiscale Convolutional Neural Network，MCNN)，极大的提升了分类准确率。

6.根据权利要求1或5所述的基于卷积神经网络的心律失常分类算法，其特征在于：我们构建的MCNN网络模型中，加入了inception层，也就是使用了多尺度卷积核的方法，一方面增加了网络的宽度，一方面针对稀疏图像，增加了网络对尺度的适应性，其中还加入了1×1的卷积核，目的是为了降低特征图厚度的作用，使得网络的计算量大大减少。

7.根据权利要求6所述的基于卷积神经网络的心律失常分类算法，其特征在于：使用Inception层后，可以代替人工确定卷积层中的过滤器类型或确定是否需要创建卷积层和池化层，由网络决定这些参数，可以给网格添加所有可能值，将输出连接起来，网络自己学习它需要什么样的参数。

8.根据权利要求6所述的基于卷积神经网络的心律失常分类算法，其特征在于：在使用多尺度卷积核过后，我们还需要使用Concat层将多个维度的特征图进行拼接，使得我们在后面的卷积网络中能够继续运算下去。