[发明专利]基于卷积神经网络的心率失常分类算法

摘要

本发明公开了一种基于卷积神经网络的心律失常分类算法，包括提出的适用于心电信号这一稀疏图像的小尺度类型的Deep‑LeNet网络，利用小卷积核的特点，使得网络的分类耗时更短，得到的准确率很高。其次，还提出了多尺度卷积神经网络，不但能够增加网络的宽度，还增加了网络对尺度大小的适应性，使得网络更适用于稀疏图像的识别。在极小的增加网络耗时的情况之下，能够极大的增加网络的分类准确率，而且这样一体的识别与分类流程，更能够用于家庭医疗级诊断，对心律失常的准确识别有着重要的意义。

主权项

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。