开云优惠体育网页版入口

专利名称：基于改进的ShuffleNetV2的室性早搏识别方法

专利类型：发明专利

专利申请号：CN202210508517.6

专利申请（专利权）人：广西师范大学
权利人地址：广西壮族自治区桂林市七星区育才路15号

专利发明（设计）人：周飞燕,董军

专利摘要：本发明公开一种基于改进的ShuffleNetV2的室性早搏识别方法，提出基于改进的ShuffleNetV2模型的室性早搏识别模型。先利用训练样本对到构建的室性早搏识别模型进行训练，再将预测样本送入到训练好的室性早搏识别模型中，实现待分类的心电图的分类。ECA注意力机制模块通过避免降低通道维度来学习有效的通道注意力，同时以极轻量级的方式来捕获不同通道间的交互信息。通过实验对比发现，加了ECA注意力机制模块的ShuffleNetV2模型获得的各项指标均高于没有添加注意力机制的ShuffleNetV2模型。改进的ShuffleNetV2具有精度高、速度快等优点，易于部署在腕表、手环等可穿戴设备中。

主权利要求：
1.基于改进的ShuffleNetV2的室性早搏识别方法，其特征是，包括步骤如下：
步骤1、构建室性早搏识别模型；该室性早搏识别模型由2个卷积层、1个最大池化层、3个基本单元、1个全局平均池化层和输出层组成；其中第一基本单元由1个一号单元块和1个二号单元块组成；第二基本单元由1个一号单元块和3个二号单元块组成；第三基本单元由1个一号单元块和1个二号单元块组成；
一号单元块由通道拆分层、2个卷积层、1个深度可分离卷积层、1个ECA注意力机制层、1个拼接层和1个通道打乱层组成；通道拆分层的输入作为一号单元块的输入；通道拆分层的输出分为两路：一路直接连接第一拼接层的一个输入；另一路连接第三卷积层的输入，第三卷积层的输出经批标准化BN和Relu激活函数后连接第一深度可分离卷积层的输入，第一深度可分离卷积层的输出经批标准化BN后连接第一ECA注意力机制层的输入，第一ECA注意力机制层的输出连接第四卷积层的输入，第四卷积层的输出经批标准化BN和Relu激活函数后连接第一拼接层的另一个输入；第一拼接层的输出连接第一通道打乱层的输入，第一通道打乱层的输出作为一号单元块的输出；
二号单元块由3个卷积层、2个深度可分离卷积层、2个ECA注意力机制层、1个拼接层和1个通道打乱层组成；第二深度可分离卷积层和第六卷积层的输入共同作为二号单元块的输入；第二深度可分离卷积层的输出经批标准化BN后连接第二ECA注意力机制层的输入，第二ECA注意力机制层的输出连接第五卷积层的输入，第五卷积层的输出经批标准化BN和Relu激活函数后连接第二拼接层的一个输入；第六卷积层的输出经批标准化BN和Relu激活函数后连接第三深度可分离卷积层的输入，第三深度可分离卷积层的输出经批标准化BN后连接第三ECA注意力机制层，第三ECA注意力机制层的输出连接第七卷积层的输入，第七卷积层的输出经批标准化BN和Relu激活函数后连接第二拼接层的另一个输入；第二拼接层的输出连接第二通道打乱层的输入，第二通道打乱层的输出作为二号单元块的输出；
第一卷积层的输入作为室性早搏识别模型的输入；第一卷积层的输出连接最大池化层的输入，最大池化层的输出连接第一一号单元块的输入，第一一号单元块的输出连接第一二号单元块的输入，第一二号单元块的输出连接第二一号单元块的输入，第二一号单元块的输出连接第二二号单元块的输入，第二二号单元块的输出连接第三二号单元块的输入，第三二号单元块的输出连接第四二号单元块的输入，第四二号单元块的输出连接第三一号单元块的输入，第三一号单元块的输入连接第五二号单元块的输入，第五二号单元块的输出连接第二卷积层的输入，第二卷积层的输出连接全局平均池化层的输入，全局平均池化层的输出连接输出层的输入；输出层的输出作为室性早搏识别模型的输出；
步骤2、对已标注分类的心电图进行预处理后作为训练样本，并利用训练样本对到步骤
1所构建的室性早搏识别模型进行训练，得到训练好的室性早搏识别模型；
步骤3、对待分类的心电图进行预处理后作为预测样本，并将预测样本送入到步骤2所训练好的室性早搏识别模型中，实现待分类的心电图的分类。
2.根据权利要求1所述的基于改进的ShuffleNetV2的室性早搏识别方法，其特征是，深度可分离卷积层的卷积核的移动步长为1。 说明书 : 基于改进的ShuffleNetV2的室性早搏识别方法技术领域[0001] 本发明涉及心律室性早搏识别技术领域，具体涉及一种基于改进的ShuffleNetV2的室性早搏(PrematureVentricularContraction，PVC)识别方法。背景技术[0002] 心律失常是临床常见的一种心血管。绮蚴亲钗＜男穆墒С。通过引入计算机辅助早搏分析技术，医生可以尽早地进行有效的医疗干预，对疾病的预防和治疗起到非常重要的作用，也能够一定程度上解决偏远山区医疗资源稀缺，而无法享受基本的医疗服务的问题。[0003] 对于深度学习模型来说，除了要考虑准确率外，计算复杂度也是深度学习模型需要考虑的一个重要指标。如果模型过于复杂，其运行速度可能很慢，难以部署到移动端如腕表、手环等可穿戴设备中。发明内容[0004] 本发明所要解决的是现有深度学习模型层数深且网络复杂，从而影响将模型部署到移动平台的问题，提供一种基于改进的ShuffleNetV2的室性早搏识别方法。[0005] 为解决上述问题，本发明是通过以下技术方案实现的：[0006] 基于改进的ShuffleNetV2的室性早搏识别方法，包括步骤如下：[0007] 步骤1、构建室性早搏识别模型；该室性早搏识别模型由2个卷积层、1个最大池化层、3个基本单元、1个全局平均池化层和输出层组成；其中第一基本单元由1个一号单元块和1个二号单元块组成；第二基本单元由1个一号单元块和3个二号单元块组成；第三基本单元由1个一号单元块和1个二号单元块组成；[0008] 第一卷积层的输入作为室性早搏识别模型的输入；第一卷积层的输出连接最大池化层的输入，最大池化层的输出连接第一一号单元块的输入，第一一号单元块的输出连接第一二号单元块的输入，第一二号单元块的输出连接第二一号单元块的输入，第二一号单元块的输出连接第二二号单元块的输入，第二二号单元块的输出连接第三二号单元块的输入，第三二号单元块的输出连接第四二号单元块的输入，第四二号单元块的输出连接第三一号单元块的输入，第三一号单元块的输入连接第五二号单元块的输入，第五二号单元块的输出连接第二卷积层的输入，第二卷积层的输出连接全局平均池化层的输入，全局平均池化层的输出连接输出层的输入；输出层的输出作为室性早搏识别模型的输出；[0009] 步骤2、对已标注分类的心电图进行预处理后作为训练样本，并利用训练样本对到步骤1所构建的室性早搏识别模型进行训练，得到训练好的室性早搏识别模型；[0010] 步骤3、对待分类的心电图进行预处理后作为预测样本，并将预测样本送入到步骤2所训练好的室性早搏识别模型中，实现待分类的心电图的分类。[0011] 上述方案中，一号单元块由通道拆分层、2个卷积层、1个深度可分离卷积层、1个ECA注意力机制层、1个拼接层和1个通道打乱层组成；通道拆分层的输入作为一号单元块的输入；通道拆分层的输出分为两路：一路直接连接第一拼接层的一个输入；另一路连接第三卷积层的输入，第三卷积层的输出经批标准化BN和Relu激活函数后连接第一深度可分离卷积层的输入，第一深度可分离卷积层的输出经批标准化BN后连接第一ECA注意力机制层的输入，第一ECA注意力机制层的输出连接第四卷积层的输入，第四卷积层的输出经批标准化BN和Relu激活函数后连接第一拼接层的另一个输入；第一拼接层的输出连接第一通道打乱层的输入，第一通道打乱层的输出作为一号单元块的输出。[0012] 上述方案中，二号单元块由3个卷积层、2个深度可分离卷积层、2个ECA注意力机制层、1个拼接层和1个通道打乱层组成；第二深度可分离卷积层和第六卷积层的输入共同作为二号单元块的输入；第二深度可分离卷积层的输出经批标准化BN后连接第二ECA注意力机制层的输入，第二ECA注意力机制层的输出连接第五卷积层的输入，第五卷积层的输出经批标准化BN和Relu激活函数后连接第二拼接层的一个输入；第六卷积层的输出经批标准化BN和Relu激活函数后连接第三深度可分离卷积层的输入，第三深度可分离卷积层的输出经批标准化BN后连接第三ECA注意力机制层，第三ECA注意力机制层的输出连接第七卷积层的输入，第七卷积层的输出经批标准化BN和Relu激活函数后连接第二拼接层的另一个输入；第二拼接层的输出连接第二通道打乱层的输入，第二通道打乱层的输出作为二号单元块的输出。[0013] 上述方案中，深度可分离卷积层的卷积核的移动步长为1。[0014] 与现有技术相比，本发明具有如下特点：[0015] 1、改进的ShuffleNetV2具有精度高、速度快等优点，易于部署在腕表、手环等可穿戴设备中。[0016] 2、ECA注意力机制模块通过避免降低通道维度来学习有效的通道注意力，同时以极轻量级的方式来捕获不同通道间的交互信息。通过实验对比发现，加了ECA注意力机制模块的ShuffleNetV2模型获得的各项指标均高于没有添加注意力机制的ShuffleNetV2模型。附图说明[0017] 图1为基于改进的ShuffleNetV2的室性早搏识别模型的结构示意图。[0018] 图2为图1中Block1的结构示意图。[0019] 图3为图1中Block2的结构示意图。[0020] 图4为图2中ECA注意力机制层的结构示意图。具体实施方式[0021] 为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实例，对本发明进一步详细说明。[0022] 一种基于改进的ShuffleNetV2的室性早搏识别方法，其包括步骤如下：[0023] 步骤1、构建室性早搏识别模型。[0024] 考虑到移动端设备通常需要既准确又快的小模型，本发明对轻量级网络模型ShuffleNetV2进行了相关研究，并基于室性早搏识别特点对ShuffleNetV2进行了改进，提出了一种室性早搏识别模型，如图1所示，由2个卷积层(Conv)、1个最大池化层(MaxPool)、3个基本单元(Stage)、1个全局平均池化层和输出层组成。每个基本单元均由一号单元块(Block1)和二号单元块(Block2)组成。第一基本单元由1个一号单元块和1个二号单元块组成；第二基本单元由1个一号单元块和3个二号单元块组成；第三基本单元由1个一号单元块和1个二号单元块组成。第一卷积层的输入作为室性早搏识别模型的输入。第一卷积层的输出连接最大池化层的输入，最大池化层的输出连接第一一号单元块的输入，第一一号单元块的输出连接第一二号单元块的输入，第一二号单元块的输出连接第二一号单元块的输入，第二一号单元块的输出连接第二二号单元块的输入，第二二号单元块的输出连接第三二号单元块的输入，第三二号单元块的输出连接第四二号单元块的输入，第四二号单元块的输出连接第三一号单元块的输入，第三一号单元块的输入连接第五二号单元块的输入，第五二号单元块的输出连接第二卷积层的输入，第二卷积层的输出连接全局平均池化层的输入，全局平均池化层的输出连接输出层的输入。输出层的输出作为室性早搏识别模型的输出。[0025] 参见图2，一号单元块由通道拆分层(ChannelSplit)、2个卷积层(Conv)、1个深度可分离卷积层(DWConv)、1个ECA注意力机制层、1个拼接层(Concat)和1个通道打乱层(channelshuffle)组成。通道拆分层的输入作为一号单元块的输入。通道拆分层的输出分为两路：一路直接连接第一拼接层的一个输入；另一路连接第三卷积层的输入，第三卷积层的输出经批标准化BN和Relu激活函数后连接第一深度可分离卷积层的输入，第一深度可分离卷积层的输出经批标准化BN后连接第一ECA注意力机制层的输入，第一ECA注意力机制层的输出连接第四卷积层的输入，第四卷积层的输出经批标准化BN和Relu激活函数后连接第一拼接层的另一个输入。第一拼接层的输出连接第一通道打乱层的输入，第一通道打乱层的输出作为一号单元块的输出。[0026] 参见图3、二号单元块由3个卷积层(Conv)、2个深度可分离卷积层(DWConv)、2个ECA注意力机制层、1个拼接层(Concat)和1个通道打乱层(channelshuffle)组成。第二深度可分离卷积层和第六卷积层的输入共同作为二号单元块的输入。第二深度可分离卷积层的输出经批标准化BN后连接第二ECA注意力机制层的输入，第二ECA注意力机制层的输出连接第五卷积层的输入，第五卷积层的输出经批标准化BN和Relu激活函数后连接第二拼接层的一个输入。第六卷积层的输出经批标准化BN和Relu激活函数后连接第三深度可分离卷积层的输入，第三深度可分离卷积层的输出经批标准化BN后连接第三ECA注意力机制层，第三ECA注意力机制层的输出连接第七卷积层的输入，第七卷积层的输出经批标准化BN和Relu激活函数后连接第二拼接层的另一个输入。第二拼接层的输出连接第二通道打乱层的输入，第二通道打乱层的输出作为二号单元块的输出。[0027] 在一号单元块和二号单元块中，所有的卷积层均为1*1卷积层，所有的深度可分离卷积层均为1*3深度可分离卷积层。在原来的ShuffleNetV2模型中，一号单元块和二号单元块的深度可分离卷积层(DWConv)进行了下采样即卷积核的移动步长Stride＝2。而在本发明中，由于DWConv要求卷积核在横向和纵向上的移动步长都相等即Stride_x等于strid_y，而ECG数一维信号数据的高度是1；因此对于本发明的室性早搏识别模型，我们将一号单元块和二号单元块的卷积核的移动步长Stride改为1，同时一号单元块和二号单元块的1*1卷积层后都需要经过BN和Relu，1*3深度可分离卷积层后只需要经过BN。通道打乱操作的目的是保证两个分支的信息进行交互。ECA注意力机制层如图4所示，ECA注意力机制层的输入向量x经过ECA注意力机制后得到输出输入向量x中每个神经元的权重值G，然后用该权重值et与输入向量x相乘得到ECA注意力机制层的输出y。[0028] 步骤2、对已标注分类的心电图进行预处理后作为训练样本，并利用训练样本对到步骤1所构建的室性早搏识别模型进行训练，得到训练好的室性早搏识别模型。[0029] ECG的预处理过程主要是利用滤波器去除ECG中的基线漂移、工频干扰等噪声。心电图中所标注的分类为早搏或者非早搏类。[0030] 步骤3、对待分类的心电图进行预处理后作为预测样本，并将预测样本送入到步骤2所训练好的室性早搏识别模型中，实现待分类的心电图的分类。[0031] 对待分类的心电图进行预处理的方式与对已标注分类的心电图进行预处理的方式相同。预测样本经该模型后得到的输出为早搏或者非早搏类记录。[0032] 下面通过一个具体实例，对本发明的性能进行说明：[0033] 本实施例的室性早搏识别模型的各层参数如表1所示，表1中KSize表示卷积层(Conv1、Conv5)的卷积核大小、最大池化层(MaxPool)的池化核大。琒tride为卷积核或者池化核移动步长。每个Stage都是由Block1和Block2组成，Block的具体数量对应于Repeat列，即Stage2先经过1个Block1，再经过1个Block2；而Stage3先经过一个Block1，再经过3个Block2；Stage4先经过1个Block1，再经过1个Block2。Outputchannels表示每个卷积层的输出特征图数量或者每个Stage所使用的输出特征图数量为Outputchannels/2。[0034] 表1PVC识别中的ShuffleNetV2模型[0035][0036] 以中国心血管疾病数据库(ChineseCardiovascularDiseaseDatabase，CCDD)作为基。⒔檬菘庵械腅CG记录先经过0.5～40Hz的带通滤波进行去噪处理。[0037] 由于本发明的早搏分类为一个二分类问题(早搏或者非早搏类)，因此可使用灵敏度(Se)、特异性(Sp)、准确率(Acc)来度量分类效果的优劣。二分类的混淆矩阵如下表1所示：[0038] 表1混淆矩阵[0039][0040] 则各个指标的定义如下所示：[0041] 灵敏度(Se)：[0042] Se＝TP/(TP+FN)[0043] 特异性(Sp)：[0044] Sp＝TN/(TN+FP)[0045] 准确率(Acc)：[0046] Acc＝(TP+TN)/(TP+TN+FP+FN)[0047] 采用35840条预处理后的ECG记录作为训练样本，其中室性早搏(PVC)为3112条；用141046条记录(包括2148条PVC记录)作为测试样本。利用训练样本对改进的ShuffleNetV2模型训练后，该模型在141046条记录测试样本上得到的结果如下表1所示。[0048] 表1基于改进的ShuffleNetV2模型的PVC识别结果[0049][0050] 其中，NPVC表示非室性早搏记录，PVC为室性早搏记录，Se为灵敏度，Sp为特异性，Acc为准确性。[0051] 从表1可以看出，经改进的ShuffleNetV2模型分类得到的灵敏度、特异性、准确率都达到了90％以上。[0052] 需要说明的是，尽管以上本发明所述的实施例是说明性的，但这并非是对本发明的限制，因此本发明并不局限于上述具体实施方式中。在不脱离本发明原理的情况下，凡是本领域技术人员在本发明的启示下获得的其它实施方式，均视为在本发明的保护之内。

专利地区：广西

专利申请日期：2022-05-10

专利公开日期：2024-11-22

专利公告号：CN114886437B