[发明专利]一种基于深度学习的心电压缩感知重构系统

权利要求书

1.一种基于深度学习的心电压缩感知重构系统，包括可穿戴设备端和远程服务器端，其特征是：所述可穿戴设备端依据压缩感知理论对原始心电信号进行随机投影，得到压缩信号；所述远程服务器端对可穿戴设备端发送的压缩信号进行转置投影和归一化处理，再将处理好的数据输入至预先建立的心电压缩感知重构模型中，输出重构完好的心电信号；所述重构具体步骤如下：

步骤1：可穿戴设备端对原始心电信号进行随机投影；过程如下：

其中，

y⁽ⁱ⁾是压缩之后的心电信号，

x⁽ⁱ⁾是第i条原始ECG信号，

是观测矩阵，维度是n×m；

步骤2：可穿戴设备端将压缩数据传输到远程服务器端；

步骤3：服务器端对压缩信号进行转置投影操作；过程如下：

其中，

是观测矩阵的转置，

是转置投影信号；

步骤4：服务器端对转置投影信号进行归一化操作；过程如下：

其中，

是均值，

是标准差，

r⁽ⁱ⁾是标准化之后的数据；

步骤5：服务器端对归一化之后的数据输入心电压缩感知重构算法中的CNN中，输出初始重构的心电信号；过程如下：

其中，

g＝(1,2)是卷积层的索引号，

c^g是第g卷积层的输出，

f是非线性激活函数，

b⁽ⁱ⁾是特征图的偏置项，

M是卷积核尺寸，

w_m是第m个特征图的权重；

步骤6：服务器端对初始重构信号输入心电压缩感知重构算法中的LSTM中，输出二次重构的心电信号；过程如下：

其中，

是一个t时刻的输入序列(也是CNN的输出)，

i_t，f_t，o_t，和h_t是分别是输入门，遗忘门，输出门，单元状态和隐藏状态，

w是权重矩阵，

b是偏置向量；

2.根据权利要求1所述的一种基于深度学习的心电压缩感知重构系统，其特征在于：整个CSNet由一个CNN和LSTM结合而成。CNN仅由三个卷积层组成，卷积核数量依次为64,、32和1；卷积核的大小都为11。另外，因为要保证心电信号长度不变，没有设置池化层。最后只设置一个卷积核也是为了保证输出一个与原始信尺寸相同的初始重构信号。

3.根据权利要求1所述的一种基于深度学习的心电压缩感知重构系统，其特征在于：整个CSNet由一个CNN和LSTM结合而成。LSTM设置了250个Cell，最后的全连接层设置256个神经元，保证了二次重建信号的形状与原始信号相同。

4.根据权利要求1所述的一种基于深度学习的心电压缩感知重构系统，其特征在于：在心电压缩感知重构算法训练过程中，设置batch size为256，训练使用的损失函数是MSE，采用Adam进行优化，初始学习率设置为0.0005，在每一次循环迭代中更新模型参数。

5.根据权利要求1所述的一种基于深度学习的心电压缩感知重构系统，其特征在于：所述可穿戴设备端将随机投影后的压缩数据通过无线发射模块传输至远程服务器端。

6.根据权利要求1所述的一种基于深度学习的心电压缩感知重构系统，其特征在于：可穿戴设备端采集人体心电数据。