本发明关于心率识别领域,特别是有关于一种基于混合压缩的心率检测分类卷积神经方法。
背景技术:
1、随着社会经济的高速发展,城市居民生活方式,工作节奏和饮食规律的变化,心律失常已经成为现代社会的高发病症。轻度心律失常没有明显的症状,极易被忽略,如果不加注意,会逐步转化成恶性心律失常。心电图是心律失常诊断的常用手段,并且需要依据伴随症状,发作频率以及阵发性与否进行综合判断。对于阵发性心律失常,医院进行诊断时往往需要做24小时甚至更长时间的动态心电图进行样本采样。
2、目前,执行心律信号自动检测分类的方式有基于模式识别以及基于神经网络两种。传统的自动心律信号检测分类方法都是基于模式识别,虽然能够实现高分类精度,但是这种方法受样本容量以及特征设计水平的影响难以适应海量且多样的病例样本。
3、近十多年来,深度神经网络(deep neural networks,dnn)在图像分类以及语音识别等领域得到广泛应用,并且其识别能力也远远超过了人类。使用dnn进行心律信号检测逐渐成为行业的焦点。然而,现有的网络需要较大的存储空间,并且对计算资源的需求较大,在嵌入式设备中运行时会产生较高的功耗。
4、虽然卷积神经网络无需数据处理以及特征设计就可以实现高分类精度,但是现有的卷积神经网络需要较大的存储空间,极大地限制了在资源受限设备,另外,目前网络对计算资源的需求较大,在嵌入式设备中运行时会产生较高的功耗,若要满足实时性则需要较高的性能,但是对应的运行功耗开销巨大,若保持较低功耗则性能就偏弱,推理速度很慢。
5、因此,卷积神经网络如何能够直接提取数据有效特征并实现较高的分类精度,且适合用于长时间实时的心律检测分类是亟需解决的问题。
技术实现思路
1、针对上述问题,本发明提供一种基于混合压缩的心率检测分类卷积神经方法,该方法包括以下步骤:
2、s1:检测心率信号;
3、s2:对该心率信号进行分类;
4、s3:利用filter剪枝和group剪枝对卷积神经网络的参数量进行混合压缩;
5、s4:通过量化感知训练的方法对卷积神经网络进行低位宽量化;
6、s5:探索最佳卷积神经网络;
7、其中,filter剪枝为神经元剪枝,group剪枝为组级剪枝。
8、进一步地,步骤s2检测的该心率信号经由该卷积神经网络进行分类,该卷积神经网络包括卷积层、激活层、池化层及全连接层。
9、进一步地,步骤s3还包括如下步骤:
10、s31:对该卷积神经网络通过缩放因子排序;
11、s32:进行filter剪枝;
12、s33:进行层可压缩性分析;
13、s34:进行group剪枝。
14、进一步地,步骤s31后还包括选择该卷积神经网络的最小通道数为8。
15、进一步地,步骤s34还包括如下步骤:
16、s341:选择适于压缩的卷积层位置;
17、s342:将该卷积层中的卷积核进行分组,并设置稀疏模式;
18、s343:将不同剪枝粒度放入网络损失函数中,使其权重趋于0;
19、s344:判断不同剪枝粒度下权重的重要性;
20、s345:输出查找表标记卷积神经网络中被剪枝的权重及保留的权重;
21、进一步地,步骤s4还包括在剪枝后的该卷积神经网络中加入伪量化节点。
22、进一步地,步骤s5还包括:
23、s51:计算所有压缩配置下的该卷积神经网络的精度;
24、s52:选择最佳卷积神经网络;
25、该最佳卷积神经网络的精度最高,压缩率最大。
26、进一步地,该最佳卷积神经网络的filter剪枝率为0.7,group剪枝率为0.3,量化位宽为4bit,网络卷积层深度为7。
27、本发明另提供一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现上述的一种基于混合压缩的心率检测分类卷积神经方法中的步骤。
28、本发明另提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,处理器执行所述程序时实现上述的一种基于混合压缩的心率检测分类卷积神经方法的步骤。
29、通过本发明提供的一种基于混合压缩的心率检测分类卷积神经方法,首先检测心率信号并对心率信号进行分类,再利用filter剪枝和group剪枝对卷积神经网络的参数量进行混合压缩,通过量化感知训练的方法对网络进行低位宽量化,进而探索最佳卷积神经网络,本发明将用于心率检测分类的卷积神经网络的参数量被大幅压缩,权重分布也具有很强的规律性,降低了硬件部署需要的功耗以及内存,能够充分发挥硬件性能,适用于嵌入式设备端部署,可以长时间实时进行心率检测分类。
1.一种基于混合压缩的心率检测分类卷积神经方法,其特征在于,该方法包括以下步骤:
2.根据权利要求1所述的一种基于混合压缩的心率检测分类卷积神经方法,其特征在于,步骤s2检测的该心率信号经由该卷积神经网络进行分类,该卷积神经网络包括卷积层、激活层、池化层及全连接层。
3.根据权利要求1所述的一种基于混合压缩的心率检测分类卷积神经方法,其特征在于,步骤s3还包括如下步骤:
4.根据权利要求3所述的一种基于混合压缩的心率检测分类卷积神经方法,其特征在于,步骤s31后还包括选择该卷积神经网络的最小通道数为8。
5.根据权利要求3所述的一种基于混合压缩的心率检测分类卷积神经方法,其特征在于,步骤s34还包括如下步骤:
6.根据权利要求1所述的一种基于混合压缩的心率检测分类卷积神经方法,其特征在于,步骤s4还包括在剪枝后的该卷积神经网络中加入伪量化节点。
7.根据权利要求1所述的一种基于基于混合压缩的心率检测分类卷积神经方法,其特征在于,步骤s5还包括:
8.根据权利要求7所述的一种基于基于混合压缩的心率检测分类卷积神经方法,其特征在于,该最佳卷积神经网络的filter剪枝率为0.7,group剪枝率为0.3,量化位宽为4bit,网络卷积层深度为7。
9.一种计算机可读存储介质,其上存储有程序,其特征在于,该程序被处理器执行时实现权利要求1至8任一项所述的一种基于混合压缩的心率检测分类卷积神经方法中的步骤。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,该处理器执行所述程序时实现如权利要求1至8任一项所述的一种基于混合压缩的心率检测分类卷积神经方法的步骤。