基于改进的MobileNetV3的室性早搏识别方法

摘要

本发明公开一种基于改进的MobileNetV3的室性早搏识别方法，提出基于改进的MobileNetV3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。加了Skipblock的MobileNetV3网络获得的各项指标均高于没有添加Skipblock的MobileNetV3网络；MobileNetV3网络模型具有参数量少，延时低等特点，解决了腕表、手环等可穿戴设备对模型参数量和网络实时性一般要求较高，参数量多，结构比较复杂的模型不适合部署到智能移动端的问题。

说明书

技术领域

本发明涉及心律早搏识别术领域，具体涉及一种基于改进的MobileNetV3的室性早搏(Premature Ventricular Contraction，PVC)识别方法。

背景技术

心律失常是临床常见的一种心血管病，早搏则是最为常见的心律失常。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。

目前深度卷积神经网络在多个分类任务中取得的准确率都比较高，但是深度卷积神经网络参数量大，模型所需内存比较大，训练时间长，要求计算机硬件具有较大的计算能力。

发明内容

本发明所要解决的是现有深度卷积神经网络模型复杂、占用内存资源较大，从而在训练速度上难以满足移动设备要求的问题，提供一种基于改进的MobileNetV3的室性早搏识别方法。

为解决上述问题，本发明是通过以下技术方案实现的：

基于改进的MobileNetV3的室性早搏识别方法，包括步骤如下：

步骤1、构建室性早搏识别模型；

上述室性早搏识别模型由3个卷积层、1个最大池化层、5个瓶颈模块、2个跳连模块、1个平均池化层、1个平均池化层、1个全局平均池化层和1个输出层组成；第一卷积层的输入作为室性早搏识别模型的输入；第一卷积层的输入连接最大池化层的输入，最大池化层的输出连接第一瓶颈模块和2个跳连模块的输入；第一瓶颈模块的输出连接第二瓶颈模块的输入，第二瓶颈模块的输出连接第三瓶颈模块的输入，第一瓶颈模块的输出与第一跳连模块的输出相加后连接第四瓶颈模块的输入，第四瓶颈模块的输出连接第五瓶颈模块的输入，第五瓶颈模块的输出与第二跳连模块的输出相加后连接第二卷积层的输入；第二卷积层的输出连接平均池化层的输入，平均池化层的输出连接第三卷积层的输入，第三卷积层的输出连接第一全局平均池化层的输入；第一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。

上述方案中，瓶颈模块由2个卷积层、1个深度可分离卷积层和压缩-激励注意力机制层组成；第四卷积层的输入作为瓶颈模块的输入；第四卷积层的输出经批标准化BN和非线性激活函数NL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和非线性激活函数NL后连接压缩-激励注意力机制层的输入；压缩-激励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后与第四卷积层的输入相加，并作为瓶颈模块的输出。

上述方案中，压缩-激励注意力机制层由1个全局平均池化层、2个全连接层、1个ReLU激活函数层和1个h-sigmoid激活函数层组成；第二全局平均池化层的输入作为压缩-激励注意力机制层的输入；第二全局平均池化层的输出连接第一全连接层的输入，第一全连接层的输出连接ReLU激活函数层的输入，ReLU激活函数层的输出连接第二全连接层的输入，第二全连接层的输出连接h-sigmoid激活函数层的输入，h-sigmoid激活函数层的输出与第二全局平均池化层的输入相乘后作为压缩-激励注意力机制层的输出。

上述方案中，跳连模块由2个卷积层和1个深度可分离卷积层组成；第六卷积层的输入作为跳连模块的输入；第六卷积层的输出连接第二深度可分离卷积层的输入，第二深度可分离卷积层的输出连接第七卷积层的输入，第七卷积层的输出作为跳连模块的输出。

与现有技术相比，本发明具有如下特点：

1、MobileNetV3网络模型具有参数量少，延时低等特点，解决了腕表、手环等可穿戴设备对模型参数量和网络实时性一般要求较高，所以参数量多，结构比较复杂的模型不适合部署到智能移动端的问题。

2、跳连模块(Skipblock)的思想就是直接将浅层特征(low-level features)从第一层传递到最后一层，利用从第一层提取的浅层特征来丰富最后一层。通过实验对比发现，加了Skipblock的MobileNetV3网络获得的各项指标均高于没有添加Skipblock的MobileNetV3网络。

附图说明

图1为室性早搏识别模型MobileNetV3的结构示意图。

图2为图1中瓶颈模块Bneck的结构示意图。

图3为图2中SE注意力机制层的结构示意图。

图4为图1中跳连模块Skipbolck的结构示意图。

具体实施方式

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。

一种基于改进的MobileNetV3的室性早搏识别方法，其包括步骤如下：

步骤1、构建室性早搏识别模型。

MobileNet模型是Google近年针对移动设备和嵌入式平台使用提出的一种轻量级的深层神经网络，与传统的深度学习模型相比，MobileNet模型具有参数量少，延时低等特点。本发明对MobileNetV3模型进行改进，提出了基于改进的MobileNetV3模型即室性早搏识别模型MobileNetV3_Small，并将其用于室性早搏识别。

上述室性早搏识别模型MobileNetV3_Small如图1所示，其由3个卷积层(Conv)、1个最大池化层(Max Pool)、5个瓶颈模块(Bneck)、2个跳连模块(Skipbolck)、1个平均池化层(Average Pool)、1个平均池化层(Average Pool)、1个全局平均池化层(Global Pool)和1个输出层组成。第一卷积层的输入作为室性早搏识别模型的输入。第一卷积层的输入连接最大池化层的输入，最大池化层的输出连接第一瓶颈模块和2个跳连模块的输入。第一瓶颈模块的输出连接第二瓶颈模块的输入，第二瓶颈模块的输出连接第三瓶颈模块的输入，第一瓶颈模块的输出与第一跳连模块的输出相加后连接第四瓶颈模块的输入，第四瓶颈模块的输出连接第五瓶颈模块的输入，第五瓶颈模块的输出与第二跳连模块的输出相加后连接第二卷积层的输入。第二卷积层的输出连接平均池化层的输入，平均池化层的输出连接第三卷积层的输入，第三卷积层的输出连接第一全局平均池化层的输入，第一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。

室性早搏识别模型中的瓶颈模块如图2所示，由2个卷积层(Conv)、1个深度可分离卷积层(DWConv)和压缩-激励(SE)注意力机制层组成。第四卷积层的输入作为瓶颈模块的输入。第四卷积层的输出经批标准化BN和非线性激活函数NL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和非线性激活函数NL后连接压缩-激励注意力机制层的输入。压缩-激励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后与第四卷积层的输入相加，并作为瓶颈模块的输出。

压缩-激励注意力机制层如图3所示，由1个全局平均池化层(Global Pool)、2个全连接层(FC)、1个ReLU激活函数层和1个h-sigmoid激活函数层组成。第二全局平均池化层的输入作为压缩-激励注意力机制层的输入。第二全局平均池化层的输出连接第一全连接层的输入，第一全连接层的输出连接ReLU激活函数层的输入，ReLU激活函数层的输出连接第二全连接层的输入，第二全连接层的输出连接h-sigmoid激活函数层的输入，h-sigmoid激活函数层的输出与第二全局平均池化层的输入相乘后作为压缩-激励注意力机制层的输出。SE注意力模块包括1个全局平均池化层和2个全连接层，第一个全连接层的激活函数为ReLU，第二个全连接层的激活函数为h-sigmiod。SE注意力模块通过学习的方式自动获取每个特征通道间的重要程度G，根据该重要程度来增强有用特征的权重并抑制对当前任务作用小的特征。在压缩-激励注意力机制层中，输入向量x经过SE注意力模块后得到输入向量x中每个特征图的权重值G，然后用该权重值G与输入向量x相乘得到输出向量。

为了丰富模型中高层的特征，本发明将跳连模块引入到室性早搏识别模型中。跳连模块的思想是直接将低级特征从底层传递到高层。室性早搏识别模型中的跳连模块如图4所示，由2个卷积层和1个深度可分离卷积层(DWConv)组成。第六卷积层的输入作为跳连模块的输入。第六卷积层的输出连接第二深度可分离卷积层的输入，第二深度可分离卷积层的输出连接第七卷积层的输入，第七卷积层的输出作为跳连模块的输出。

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。

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。

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。

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。

下面通过一个具体实例，对本发明的性能进行说明：

本实施例的室性早搏识别模型MobileNetV3的各层参数如表1所示，其中Operator列表示所用的特征层及其卷积核或者池化核大小，exp size列为瓶颈模块维度扩展层即第一个1*1卷积层的特征图数量，#out为瓶颈模块最后一个1*1卷积层的特征图数量，SE表示该瓶颈模块是否引入SE注意力机制，NL表示激活函数的类型，HS代表h-swish，RE代表ReLU，stride为卷积核或者池化核的步长。

表1 PVC识别中的MobileNetV3模型

以中国心血管疾病数据库(Chinese Cardiovascular Disease Database，CCDD)作为基础，并将该数据库中的ECG记录先经过0.5～40Hz的带通滤波进行去噪处理。

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2所示：

表2混淆矩阵

则各个指标的定义如下所示：

灵敏度(Se)：

Se＝TP/(TP+FN)

特异性(Sp)：

Sp＝TN/(TN+FP)

准确率(Acc)：

Acc＝(TP+TN)/(TP+TN+FP+FN)

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MobileNetV3模型训练后，该模型在141046条记录即测试样本上得到的结果如下表3所示，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。

表3改进MobileNetV3模型的PVC识别结果

从表3可以看出，利用本发明的室性早搏识别模型MobileNetV3_Small对心电图进行分类所得到的灵敏度、特异性、准确率都达到了90％以上。

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。