6.3 ECG多分辨率深度学习框架

更新于 2026年11月21日 版权声明
6.3 ECG多分辨率深度学习框架

多尺度融合全局和局部特征,ECG信号经过四层小波分解,将每层的低通分量分别送入快速深度卷积神经网络,在倒数第三层将输出信号合并压缩,经整理后送到网络全连接层处理。训练一个高精度的快速深度卷积神经网络(fast deep convolution neural network,FDNN),实现多分辨率ECG信号精确分类识别。通过调整网络的分辨率因子、网络宽度因子、通道扩增位数因子观察网络运行效果,不断优化网络结构。通过以上研究,提出一个多分辨率ECG深度学习全面解决方案,实现可穿戴ECG的智能识别。

通过小波分解实现ECG信号的多尺度空间的特征融合,提出了基于深度卷积神经网络的ECG多分辨率解决方案。

ECG信号具有非平稳、非线性的特点,其瞬态疾病指标可以在时间尺度上随机出现,在不同的心电采集环境下,相同心律失常症状产生的形态学和节律变化也存在差异。心律失常可以根据其形态学和节律特性进行判别,图6-6是15 种常见心律异常情况。经过分析初步实验,拟选择消失矩为4 的DB4 小波作为滤波器,ECG信号先经过小波滤波处理,然后再经过小波变换分解成低通与高通两部分。由于心率变化从60 到120 不等,ECG形态空间变化大,通过深度神经网络进行分类代价太高。因此把第一层高通信号送入特征检测模块,通过检测QRS 波群特征估算出心率。由于ECG信号采样频率为400,12秒的信号含有4800 个单元数据,经过第一层分解后低通部分仍然为2400 单元数据,截取这段低通信号的八分之一作为第一路深度学习模块的输入。第二层分解低通部分仍然为1200 个单元数据,截取这段信号的四分之一作为第二路学习模块的输入。第三层信号为600 个单元数据,截取二分之一作为输入。最后一级只含有300 个单元,把全部低通信号输入第四级。这样每路的输入数据长度都是300,而且信号的分辨率按二尺度下降。

处理后的ECG信号分别进入ECG深度学习模块后,经过四路ECG深度学习模块,输出信号再进行整合集成为2048 个单元的一维信号,然后全连接到宽度为1000 的全连接神经网络,最后全连接到宽度为16 的输出层进行softmax计算,如图6-7 所示。(https://www.daowen.com)

图示

图6-6 15 种常见心律异常心电图

图示

图6-7 多分辨率快速深度卷积神经网络模型结构图

✍AI写作