[发明专利]基于轻量级神经网络的心电图分类方法

说明书

一种基于轻量级神经网络的心电图分类方法，通过单导联心电图数据和轻量级神经网络模型实现心律失常自动分类的方法。首先，肢体II导联心电信号蕴含足够的信息；其次，使用卷积核大小为1的卷积层和全局平均池化层压缩特征维度；最后使用流线型的深度可分离卷积快速提取特征。利用单导联数据集和轻量级神经网络模型可以在保证模型准确率的基础上大幅度提高模型运算速度。

技术领域

本发明涉及心电图分类技术领域，具体涉及一种基于轻量级神经网络的心电图分类方法。

背景技术

心电图检查在医院已成为常见检验项目，心电图是医生判断病人心脏状况最基本的指标。心电图信号是由心脏的电活动引起的非平稳周期性生物信号，蕴含大量复杂的心脏活动信息，只有经过专业培训的医生才能准确解读。因为心脏结构复杂和心脏活动规律较多，所以心律失常类型分类较多。普通的深度学习方法虽然预测结果较好，但是网络过于复杂，在计算能力有限的平台上难以满足实时性要求。

发明内容

本发明为了克服以上技术的不足，提供了一种提高网络学习精度的轻量级神经网络(LNet)的心电图分类方法。

本发明克服其技术问题所采用的技术方案是：

一种基于轻量级神经网络的心电图分类方法，包括如下步骤：

a)计算机从MIT-BIH心律失常数据库中获取心电数据，根据心电数据中导联记录内容，选择upper信号为Ⅱ导联信号作为实验数据；

b)使用基于双尺度小波变换法对实验数据进行降噪处理，定位实验数据中的QRS波群，通过QRS波群获取心电信号中的P波和T波的位置，获取一个心拍数据，通过边缘填充随机剪裁算法得到心拍数据的扩充数据集；

c)对扩充数据集添加高斯白噪声，得到数据集集合，通过公式X_i＝{x₁₁,x₁₂,...,x_1N}计算数据集集合中第i个样本X_i，式中x₁₁为心电数据中肢体II导联信号第1个点位电压，N为心电数据中肢体II导联信号使用的像素点个数；

d)通过包含c¹个卷积核的一维卷积层Conv1D对数据集集合提取特征，得到特征图a¹，其中c¹为特征图a¹通道数，w¹为特征图a¹每个通道特征宽度，从特征图a¹抽取得到第k个通道的特征图

e)通过卷积核为1的卷积层将特征图进行压缩，得到压缩特征图a^2.1，其中压缩特征图a^2.1通道数为c^2.1，压缩特征图a^2.1每个通道特征宽度为w^2.1，通过深度卷积层计算得到第k个通道的压缩特征图其中压缩特征图的通道数为c^2.2，压缩特征图的每个通道特征宽度为w^2.2；

f)通过批处理层，利用公式计算压缩特征图归一化数据均值u^2.2，式中为压缩特征图第k个通道的第i个特征，通过公式计算压缩特征图归一化数据方差σ^2.2，通过公式计算压缩特征图规范化函数BN_γ,β(a^2.2)，其中式中ε为常数，式中0＜ε＜0.001，γ为线性规范化的斜率，β为线性规范化的截距，a^2.3为a^2.2批规范化的结果；