[发明专利]一种基于卷积神经网络的第一导联心电图心拍分类方法

摘要

本发明涉及一种基于卷积神经网络的第一导联心电图心拍分类方法，包括下面的步骤步骤1准备好训练的第一导联心电图心拍数据和相应的类别标签；步骤2利用一维卷积神经网络，设计针对第一导联的心电图心拍的卷积神经网络结构，设定卷积层的个数以及每个卷积层特征图的个数和大小；步骤3前向计算将归一化到196长度的第一导联心拍训练数据输入到CNN，顺序经过各中间层，提取中间层特征；步骤4误差反向传播计算分类损失，并根据链式法则将损失进行反向传播；步骤5采用梯度下降法对权重进行更新；步骤6迭代训练。

主权项

一种基于卷积神经网络的第一导联心电图心拍分类方法，包括下面的步骤：步骤1：准备好训练的第一导联心电图心拍数据和相应的类别标签。步骤2：利用一维卷积神经网络，设计针对第一导联的心电图心拍的卷积神经网络结构，设定卷积层的个数以及每个卷积层特征图的个数和大小，网络的输入维数为196×1；卷积层A共有32个特征向量，每个特征向量使用一个11×1的卷积核去卷积，移动步长设为2，该层输出32个93×1大小的特征向量；卷积层B采用9×1的卷积核，输出32个85×1大小的特征向量；池化层a采用3×1的池化核，移动步长为2，产生32个42×1大小的特征向量；卷积层C采用7×1的卷积核，移动步长为2，输出32个18×1大小的卷积核；卷积层D采用5×1的卷积核，输出32个14×1大小的特征向量；池化层b采用3×1的池化核，移动步长为2，产生32个6×1大小的特征向量；卷积层E采用6×1的卷积核，输出32个1×1大小的特征向量；最后一层采用全连接层，使用softmax分类器，输出分类结果；步骤3：前向计算：将归一化到196长度的第一导联心拍训练数据输入到CNN，顺序经过各中间层，提取中间层特征；步骤4：误差反向传播：计算分类损失，并根据链式法则将损失进行反向传播；步骤5：采用梯度下降法对权重进行更新；步骤6：迭代训练；循环执行第3～5步，直至网络收敛或达到最大循环次数。