6.2 ECG多分辨率深度学习

更新于 2026年11月21日 版权声明
6.2 ECG多分辨率深度学习

经小波分解的高频信号与低频信号分别包含了信号的不同分辨率信息,而且高、低频分量的长度只有原来的二分之一。因此以ECG信号的高频分量与低频分量作为深度神经网络的输入,一是可以有效降低输入的长度,从而减小神经网络宽度规模需求;二是可以从不同角度对信号进行分析,提高分类结果的精度。

ECG心跳频率是一个重要参数,其频率范围从60 到120 变化,不适于神经网络进行运算。因此利用小波分解进行特征检测是个明智的选择。深度学习网络的最后输出采用softmax分类器:在logistic回归中,训练集由m个已标记的样本构成:{(x(1),y(1)),…,(x(m),y(m))}。由于logistic回归是针对二分类问题的,因此类标记y(i) ∈{0,1}。假设函数如下:

图示

训练模型参数θ,使其能够最小化代价函数:(https://www.daowen.com)

图示

基于以上理念,softmax加快收敛的速度,softmax回归中将x分类为类别j的概率为:

图示

✍AI写作