1.基于持续深度学习的ecg数据分类方法,其特征在于,包括如下步骤:
步骤1,获取采样率分别为128hz和360hz的ecg数据,对采样率为128hz的ecg数据进行预处理,得到采样率为128hz的心拍样本,同样对采样率为360hz的ecg数据进行预处理,得到采样率为360hz的心拍样本;
步骤2,构建卷积神经网络模型,并设置卷积神经网络模型的超参数:学习率、样本训练批次数和迭代次数;
步骤3,利用步骤2构建的卷积神经网络模型结合ewc方法对采样率为128hz的心拍样本进行训练并测试,得到第一次训练好的卷积神经网络模型;
步骤4,利用第一次训练好的卷积神经网络模型结合ewc方法对采样率为360hz的心拍样本进行训练并测试,得到第二次训练好的卷积神经网络模型即ecg数据分类模型;
步骤5,利用采样率为128hz的心拍样本对ecg数据分类模型进行测试;
步骤6,获取待分类的ecg数据,采用ecg数据分类模型对待分类的ecg数据进行分类,得到分类结果。
2.根据权利要求1所述基于持续深度学习的ecg数据分类方法,其特征在于,步骤1所述对采样率为128hz的ecg数据进行预处理以及对采样率为360hz的ecg数据进行预处理,所采用的方法相同,对采样率为128hz的ecg数据进行预处理的具体过程为:
利用小波变换对采样率为128hz的ecg数据进行去噪,对于去噪后的ecg数据定位qrs波,根据qrs波中r波的位置截取一个心拍样本,共截取3000个心拍样本,每个心拍样本的长度均为250个点,每个心拍样本都是根据qrs波中r波的位置向左侧取100个点,向右侧取150个点。
3.根据权利要求1所述基于持续深度学习的ecg数据分类方法,其特征在于,步骤2所述卷积神经网络模型包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层以及全连接层,卷积神经网络模型的超参数:学习率设为0.01、样本训练批次数设为500和迭代次数设为25。
4.根据权利要求1所述基于持续深度学习的ecg数据分类方法,其特征在于,所述步骤3的具体过程如下:
3.1,将采样率为128hz的所有心拍样本与各自对应的分类标签打乱,并划分其中50%的心拍样本为第一训练集,剩余的50%为第一测试集;
3.2,将第一训练集输入步骤2构建的卷积神经网络模型中进行训练,得到第一次训练好的卷积神经网络模型以及模型的参数,利用fisher信息矩阵计算每个参数的重要性,设定第一损失函数为:
其中,l1(θ)表示第一损失函数,l1cur(θ)表示第一次训练的损失,λ为学习率,f1,i表示第一次训练得到的第i个参数的重要性,θ0,i表示初始化的第i个参数,
3.3,利用第一测试集对第一次训练好的卷积神经网络模型进行测试。
5.根据权利要求1所述基于持续深度学习的ecg数据分类方法,其特征在于,所述步骤4的具体过程如下:
利用第一次训练好的卷积神经网络模型结合ewc方法对采样率为360hz的心拍样本进行训练并测试,得到第二次训练好的卷积神经网络模型即ecg数据分类模型
4.1,将采样率为360hz的所有心拍样本与各自对应的分类标签打乱,并划分其中50%的心拍样本为第二训练集,剩余的50%为第二测试集;
4.2,将第二训练集输入第一次训练好的卷积神经网络模型中进行训练,得到第二次训练好的卷积神经网络模型以及模型的参数,利用fisher信息矩阵计算每个参数的重要性,设定第二损失函数为:
其中,l2(θ)表示第二损失函数,l2cur(θ)表示第二次训练的损失,λ为学习率,f2,i表示第二次训练得到的第i个参数的重要性,
4.3,利用第二测试集对第二次训练好的卷积神经网络模型进行测试。