[发明专利]一种基于动态多尺度卷积神经网络的心电图分类方法

权利要求书

1.一种基于动态多尺度卷积神经网络的心电图分类方法，其特征在于，所述心电图分类方法包括：

步骤S1、获取心电图数据集，对心电图数据集中数据进行预处理得到心电图时间序列；

步骤S2、根据心电图时间序列和随机初始化的卷积核生成一组变长卷积核；

步骤S3、将心电图时间序列输入到使用变长卷积核的卷积层，获取心电图时间序列的多尺度时序特征；

步骤S4、将步骤S3中获得的多尺度时序特征输入到max-over-time池化层中选择得到最具判别性特征；

步骤S5、将步骤S4中获得的最具判别性特征输入到带有softmax输出的分类层获得最终分类结果，构成动态多尺度卷积神经网络，然后使用交叉熵损失函数训练构建的动态多尺度卷积神经网络，其中，交叉熵损失函数用于度量两个概率分布间的差异性信息；将最具判别性特征输入到带有softmax输出的分类层获得最终分类结果，构成动态多尺度卷积神经网络，计算过程如下：

其中W^o和b^o分别表示分类层的连接权重矩阵和偏置，表示分类层的未激活输出向量，p(C|T)表示心电图时间序列类别标签上的条件分布，C表示最终分类结果，softmax(·)把输入映射为0-1之间的实数，并且归一化保证和为1，使用交叉熵损失函数训练构建的动态多尺度卷积神经网络；

步骤S6、将待分类的心电图数据输入经过训练的动态多尺度卷积神经网络进行分类。

2.根据权利要求1所述的一种基于动态多尺度卷积神经网络的心电图分类方法，其特征在于，所述步骤S2中变长卷积核生成过程如下：

步骤S21、给定一条长度为L的心电图时间序列T，获得P＝L-l+1条长度为l的子序列，将这P条子序列输入到变长卷积核生成器中的卷积层获得心电图时间序列T的嵌入表示e_i，过程如下：

e_i＝W_i*S+b_i

其中，S表示P条长度为l的子序列，W_i和b_i分别表示第i个卷积核和对应偏置，e_i表示使用第i个卷积核获得的嵌入表示，*表示卷积操作，使用K个卷积核获得的嵌入表示E表示为：

E＝{e₁,e₂,…,e_i,…,e_K}^T；

步骤S22、随机初始化K个固定长度的卷积核并将其与上述定义的心电图时间序列的嵌入表示进行拼接作为掩码生成器的输入，其中W_i^f表示第i个固定长度的卷积核，其中，掩码生成器为两层全连接层，其计算过程如下：

l_i＝r_i×l

其中，W^m1和W^m2分别表示第一层全连接层和第二层全连接层的连接权重矩阵，b^m1和b^m2表示对应的偏置，表示拼接操作，r_i∈[0，1]为一个0到1的值，将其与l相乘来获得卷积核的长度，l_i表示学习到的第i个卷积核的长度，f(·)表示激活函数；

将步骤S21中获得的K个嵌入表示输入到掩码生成器中，获得K个卷积核的长度，表示为M_len＝{l₁,l₂,…,l_i,…,l_K}；

步骤S23、根据获得的K个卷积核的长度，采取掩码的方式来控制卷积核的长度，给定l_i∈[0,l]，生成长度为l的0-1掩码向量m_i，计算过程如下：

其中m_i＝{m_i1,m_i2,…,m_ij,…,m_il}表示掩码向量，λ为一个可调节的参数，σ(·)表示sigmoid函数，将K个掩码向量收集起来表示为

M＝{m₁,m₂,…,m_i,…,m_K}^T；

步骤S24、通过下式计算获得变长卷积核W^v：

其中W_i^v表示第i个变长卷积核，表示逐元素乘积。