具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本申请及其应用或使用的任何限制。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

下面参考图1，描述根据本申请的示例性实施方案的使用卷积神经网络DenseNet检测早期心力衰竭的方法。

如图1所示，根据本申请的示例性实施方案，提供一种使用卷积神经网络DenseNet检测早期心力衰竭的方法，包括：

S110：采集心电信号；

S120：对所述心电信号进行预处理；

S130：采用最大熵模型对经预处理的心电信号进行分类处理，得到分类信息；

S140：将所述分类信息输入卷积神经网络DenseNet中训练；

S150：输出卷积神经网络DenseNet训练的结果。

本申请的使用卷积神经网络DenseNet检测早期心力衰竭的方法通过对获得的心电信号数据进行预处理，去除有异常的心跳部分和无用部分，找到心电信号中的最大R波，将心电信号分为几个RR间隔，使用最大熵模型分析上一步获得的生理时间序列，最后将利用数据集训练卷积神经网络，从而达到自动检测心电信号的目的。

在步骤S120中，对采集到的心电信号进行预处理。通常情况下，从医院采集到的心电信号会比较复杂，所以需要去除无用波段，即P波、T波等，但是需要保留心电信号的峰值，从而获得具有有效检测信息的生理信息。在一个实施例中，对心电信号进行预处理包括：

S121：使用小波变换对所述心电信号进行降噪处理；

S122：使用滤波器去除P波、T波及QRS波中的杂波；

S123：找到心电图每一部分中的最大R波，将心电信号划分为多个RR间隔，得到经预处理的信号。

在步骤S130中，采用最大熵模型对经预处理的心电信号进行分类处理，得到分类信息。具体地，本申请采用最大熵模型去分析步骤S120中所得到的生理时间序列。

最大熵模型是一种很经典的处理分类的算法，最大熵模型通常去假设分类模型是一个条件概率分布P(Y|X)，其中X代表特征，Y代表输出。

给定数据集(X1，Y1)，(X2，Y2)，……(Xn，Yn)，其中X为n维特征向量，Y为类别输出。从而用最大熵模型去选择一个最好的分类模型。

最大熵模型公式如下所示：

其中，P_w(y|x)表示最大熵模型，Z_w(x)表示规范化因子，w_i表示特征的权值，f_i(x，y)表示特征函数，w是最大熵模型中的参数向量。

本申请采用最大熵模型来进行分类处理具有以下优势：

1)最大熵模型的准确率与其他模型相比较是比较高的，因为最大熵模型作为一个经典的处理分类的模型，它满足在所有约束条件的模型中信息熵是最大的这一条件。

2)在最大熵模型中，通过约束条件的数量多少可以充分地去调节模型对未知数据的适应能力和对于已知数据的拟合能力，并且在最大熵模型中，约束条件是可以灵活去设置的。

在步骤S140中，采用卷积神经网络DenseNet对步骤S130中得到的分类信息进行训练。DenseNet其实相当于是在对各个通道做拼接的一个过程，即前面所有层网络的输出都包含在了下一层网络的输入中，即如果在DenseNet中有N层，则会出现N(N+1)/2个连接。这里举一个例子，例如在第N层的输入中，它是等于KX(N-1)+K0，其中等式中的K是用来表示每一层网络中所包含的通道数量。DenseNet可以提高网络中信息和梯度的传输效率，在每一层网络中都可以直接从损失函数中得到梯度量，并且直接可以得到每一层的输入信号，从而去训练结构更深的网络。

DenseNet的网络结构如图2所示。一个完整的DenseNet中包括了3个Dense Block，而由于Dense Block，导致了DenseNet具有网络窄、参数少等特点。如下图可知，在DenseBlock之间是没有Dense的连接，他们是由transition(过渡层)连接的，其中transition又包括了conv(卷积层)和pooling(池化层)两个部分。卷积层主要用于提取局部特征。池化层的作用主要是保留主要的特征同时减少参数，起到降维作用，减少计算量。这样的结构不仅可以减缓发生梯度消失的现象，还可以简化很多计算量，而在DenseNet中的特征重用又起到了抗过拟合的作用。DenseNet的结构如图3所示。

表1示出了DenseNet的具体结构。

从表1可以发现，在DenseNet中，每一层网络的设计都表现得非常窄，而在DenseBlock中要求feature size的大小是相同的，其中，每一个单元就相当于是一个bottlenecklayer(输入输出的维度差距是比较大的)，而在bottleneck layer中通过图可以看出，它又包含有一个1X1的conv(卷积层)和一个3X3的conv。在Block之间还有一个transitionlayer，而transition layer中包括一个1X1的conv和一个2X2的average pool，在一个Block中有m个feature map，通常情况下通过0-1之间的参数限制feature map的数量。

本发明采用卷积神经网络DenseNet具有如下的优点：

1)与ResNet相比较，DenseNet具有更少的参数数量。

2)在结构中增加了特征的重用，即每一层网络学到的feature map都能被之后的所有层网络直接进行使用。

3)DenseNet网络更容易训练，并且是具有一定的正则效果的。

根据本申请的一个实施例，提供一种使用卷积神经网络DenseNet进行早期心力衰竭的检测装置，包括：

存储器；以及

处理器，所述处理器被配置为执行前述的使用卷积神经网络DenseNet检测早期心力衰竭的方法。

根据本申请的一个实施例，提供一种非暂时性存储介质，其上存储有指令，所述指令被处理器执行时，使所述处理器执行前述的使用卷积神经网络DenseNet检测早期心力衰竭的方法。

在本申请的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本申请保护范围的限制；方位词“内、外”是指相对于各部件本身的轮廓的内外。

为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。

此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为了便于对相应零部件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本申请保护范围的限制。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。