CN115358270A - 一种基于多任务mtef-net的心电分类方法 - Google Patents

一种基于多任务mtef-net的心电分类方法 Download PDF

Info

Publication number
CN115358270A
CN115358270A CN202210996094.7A CN202210996094A CN115358270A CN 115358270 A CN115358270 A CN 115358270A CN 202210996094 A CN202210996094 A CN 202210996094A CN 115358270 A CN115358270 A CN 115358270A
Authority
CN
China
Prior art keywords
layer
convolution
feature map
characteristic diagram
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210996094.7A
Other languages
English (en)
Other versions
CN115358270B (zh
Inventor
舒明雷
耿全成
刘辉
谢小云
刘照阳
高天雷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qilu University of Technology
Shandong Institute of Artificial Intelligence
Original Assignee
Qilu University of Technology
Shandong Institute of Artificial Intelligence
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Qilu University of Technology, Shandong Institute of Artificial Intelligence filed Critical Qilu University of Technology
Priority to CN202210996094.7A priority Critical patent/CN115358270B/zh
Publication of CN115358270A publication Critical patent/CN115358270A/zh
Application granted granted Critical
Publication of CN115358270B publication Critical patent/CN115358270B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Surgery (AREA)
  • Signal Processing (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Fuzzy Systems (AREA)
  • Cardiology (AREA)
  • Image Analysis (AREA)

Abstract

一种基于多任务MTEF‑NET的心电分类方法，通过设置两个任务来构建多任务神经网络，利用多任务的联合学***衡数据样本差异的能力，能够解决数据不平衡问题。建立的MTEF‑NET网络模型具有复杂网络的量化调整能力，通过对网络深度，宽度和输入图片分辨率的综合调整，使神经网络只需要较少的网络参数，减轻了模型性的复杂度，同时也能够提高分类的准确率。通过构建CBAM‑MBCov模块，能够解决心电信号转换成二维图像之后所丢失的通道和空间特征消失的问题。

Description

一种基于多任务MTEF-NET的心电分类方法
技术领域
本发明涉及，具体涉及一种基于多任务MTEF-NET的心电分类方法。
背景技术
电信号是记录心脏活动的一种重要电信号，记录了心脏波形的变化，能够直观地反映心跳的变化，具有一定的规律性。心电图由一系列的心电信号组成，能够反映不同心跳的生理活动，每一个波段的心跳都具有不同的意义，因此对心电信号正确分类显得极其重要。
随着深度学***衡问题，单任务网络模型往往会对其中一种信号拟合程度过高，从而发生过拟合现象。而且传统的神经网络在提高模型性能时，只是单一的改变网络的深度和宽度或者输入的分辨率，这样很容易使得模型达到饱和程度，难以发挥模型的优势。此外，传统的神经网络再将一维心电信号转换成二维图像后，往往忽略了心电信号的通道和空间特征。
发明内容
本发明为了克服以上技术的不足，提供了一种构建一个全新的CBAM-MBConv模块来搭建MTEF-NET网络模型进行心电分类，提高分类的准确率的方法。
本发明克服其技术问题所采用的技术方案是：
一种基于多任务MTEF-NET的心电分类方法，包括：
a)从MIT-BIH心率失常数据库中获取原始心电信号X＝{x1,x2,....,xi,...,xn}，其中xi为第i条原始心电信号，i∈{1,...,n}，n为原始心电信号的总数。
b)对原始心电信号X进行预处理，去除原始心电信号X中的噪音，得到干净的心电信号U＝{u1,u2,....,ui,...,un}，其中ui为第i条原始心电信号，i∈{1,...,n}。
c)利用连续小波变换将干净的心电信号U转换为二维图像数据集Y＝{y1,y2,....,yi,...,yn}，其中yi为第i个二维图像，i∈{1,...,n}，二维图像yi的高为H、宽为W、通道数为C，其维度为H*W*C。
d)将二维图像数据集Y按50％与50％的等比例划分，第一个划分后的数据集为用于检测心电信号是否正常的数据集
Figure BDA0003805528100000021
其中
Figure BDA0003805528100000022
为第i个二维图像，
Figure BDA0003805528100000023
第二个划分后的数据集中将小波变换后的图像进行镜像或倒置处理，得到用于判断该心电信号具体类型的数据集
Figure BDA0003805528100000024
其中
Figure BDA0003805528100000025
为第j个二维图像，
Figure BDA0003805528100000026
e)建立MTEF-NET网络模型，该MTEF-NET网络模型依次由卷积层、CBAM-MBConv1模块、第一CBAM-MBConv6模块、第二CBAM-MBConv6模块、第三CBAM-MBConv6模块、第四CBAM-MBConv6模块、第五CBAM-MBConv6模块、第六CBAM-MBConv6模块、第七CBAM-MBConv6模块、第八CBAM-MBConv6模块、第九CBAM-MBConv6模块、第十CBAM-MBConv6模块、第十一CBAM-MBConv6模块、第十二CBAM-MBConv6模块、第十三CBAM-MBConv6模块、十四一CBAM-MBConv6模块及第十五CBAM-MBConv6模块及全局池化层构成。
f)将数据集Y1中每一个二维图像输入到MTEF-NET网络模型中输出得到特征图集
Figure BDA0003805528100000027
其中
Figure BDA0003805528100000028
为第i个二维图像，
Figure BDA0003805528100000029
二维图像
Figure BDA00038055281000000210
的维度为
Figure BDA00038055281000000211
g)将数据集Y2中每一个二维图像输入到MTEF-NET网络模型中输出得到特征图集
Figure BDA00038055281000000212
其中
Figure BDA00038055281000000213
为第j个二维图像，
Figure BDA00038055281000000214
二维图像
Figure BDA00038055281000000215
的维度为
Figure BDA00038055281000000216
h)将特征图集
Figure BDA00038055281000000217
输入到MTEF-NET网络模型的全局池化层中，输出得到心电信号分类结果
Figure BDA00038055281000000218
其中yai为第i个结果，
Figure BDA00038055281000000219
将特征图集
Figure BDA00038055281000000220
输入到MTEF-NET网络模型的全局池化层中，输出得到心电信号分类结果
Figure BDA0003805528100000031
其中ybj为第j个结果，
Figure BDA0003805528100000032
进一步的，步骤b)中使用两个中值滤波器去除原始心电信号X＝{x1,x2,....,xi,...,xn}中的噪音，得到干净的心电信号U＝{u1,u2,....,ui,...,un}，其中第一个中值滤波器的宽度为300ms，第二个中值滤波器的宽度为600ms。
进一步的，步骤c)中通过公式
Figure BDA0003805528100000033
计算得到第i个二维图像yi，式中a为转换尺度，b为平移因子，φ(·)为母小波。
进一步的，步骤f)包括如下步骤：
f-1)将二维图像
Figure BDA0003805528100000034
输入到MTEF-NET网络模型中，进入卷积核大小为3*3的卷积层中，输出得到维度为
Figure BDA0003805528100000035
的特征图
Figure BDA0003805528100000036
f-2)CBAM-MBConv1模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为3*3且扩张比例为1的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure BDA0003805528100000037
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA0003805528100000038
的特征图
Figure BDA0003805528100000039
将特征图
Figure BDA00038055281000000310
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure BDA00038055281000000311
的特征图
Figure BDA00038055281000000312
将特征图
Figure BDA00038055281000000313
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA00038055281000000314
的空间注意力特征图
Figure BDA00038055281000000315
将空间注意力特征图
Figure BDA00038055281000000316
输入到第四卷积层中输出得到维度为
Figure BDA00038055281000000317
的特征图
Figure BDA00038055281000000318
将特征图
Figure BDA00038055281000000319
与特征图
Figure BDA00038055281000000320
逐元素相加得到维度为
Figure BDA00038055281000000321
的特征图
Figure BDA00038055281000000322
f-3)第一CBAM-MBConv6模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为3*3且扩张比例为6的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure BDA0003805528100000041
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA0003805528100000042
的特征图
Figure BDA0003805528100000043
将特征图
Figure BDA0003805528100000044
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure BDA0003805528100000045
的特征图
Figure BDA0003805528100000046
将特征图
Figure BDA0003805528100000047
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA0003805528100000048
的空间注意力特征图
Figure BDA0003805528100000049
将空间注意力特征图
Figure BDA00038055281000000410
输入到第四卷积层中输出得到维度为
Figure BDA00038055281000000411
的特征图
Figure BDA00038055281000000412
将特征图
Figure BDA00038055281000000413
与特征图
Figure BDA00038055281000000414
逐元素相加得到维度为
Figure BDA00038055281000000415
的特征图
Figure BDA00038055281000000416
f-4)第二CBAM-MBConv6模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为3*3且扩张比例为6的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure BDA00038055281000000417
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA00038055281000000418
的特征图
Figure BDA00038055281000000419
将特征图
Figure BDA00038055281000000420
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure BDA00038055281000000421
的特征图
Figure BDA00038055281000000422
将特征图
Figure BDA00038055281000000423
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA00038055281000000424
的空间注意力特征图
Figure BDA00038055281000000425
将空间注意力特征图
Figure BDA00038055281000000426
输入到第四卷积层中输出得到维度为
Figure BDA00038055281000000427
的特征图
Figure BDA00038055281000000428
将特征图
Figure BDA00038055281000000429
与特征图
Figure BDA00038055281000000430
逐元素相加得到维度为
Figure BDA00038055281000000431
的特征图
Figure BDA00038055281000000432
f-5)第三CBAM-MBConv6模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为5*5且扩张比例为6的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure BDA00038055281000000433
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA00038055281000000434
的特征图
Figure BDA00038055281000000435
将特征图
Figure BDA00038055281000000436
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure BDA00038055281000000437
的特征图
Figure BDA00038055281000000438
将特征图
Figure BDA00038055281000000439
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA00038055281000000440
的空间注意力特征图
Figure BDA00038055281000000441
将空间注意力特征图
Figure BDA0003805528100000051
输入到第四卷积层中输出得到维度为
Figure BDA0003805528100000052
的特征图
Figure BDA0003805528100000053
将特征图
Figure BDA0003805528100000054
与特征图
Figure BDA0003805528100000055
逐元素相加得到维度为
Figure BDA0003805528100000056
的特征图
Figure BDA0003805528100000057
f-6)第四CBAM-MBConv6模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为5*5且扩张比例为6的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure BDA0003805528100000058
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA0003805528100000059
的特征图
Figure BDA00038055281000000510
将特征图
Figure BDA00038055281000000511
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure BDA00038055281000000512
的特征图
Figure BDA00038055281000000513
将特征图
Figure BDA00038055281000000514
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA00038055281000000515
的空间注意力特征图
Figure BDA00038055281000000516
将空间注意力特征图
Figure BDA00038055281000000517
输入到第四卷积层中输出得到维度为
Figure BDA00038055281000000518
的特征图
Figure BDA00038055281000000519
将特征图
Figure BDA00038055281000000520
与特征图
Figure BDA00038055281000000521
逐元素相加得到维度为
Figure BDA00038055281000000522
的特征图
Figure BDA00038055281000000523
f-7)第五CBAM-MBConv6模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为3*3且扩张比例为6的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure BDA00038055281000000524
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA00038055281000000525
的特征图
Figure BDA00038055281000000526
将特征图
Figure BDA00038055281000000527
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure BDA00038055281000000528
的特征图
Figure BDA00038055281000000529
将特征图
Figure BDA00038055281000000530
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA00038055281000000531
的空间注意力特征图
Figure BDA00038055281000000532
将空间注意力特征图
Figure BDA00038055281000000533
输入到第四卷积层中输出得到维度为
Figure BDA00038055281000000534
的特征图
Figure BDA00038055281000000535
将特征图
Figure BDA00038055281000000536
与特征图
Figure BDA00038055281000000537
逐元素相加得到维度为
Figure BDA00038055281000000538
的特征图
Figure BDA00038055281000000539
f-8)第六CBAM-MBConv6模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为3*3且扩张比例为6的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure BDA0003805528100000061
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA0003805528100000062
的特征图
Figure BDA0003805528100000063
将特征图
Figure BDA0003805528100000064
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure BDA0003805528100000065
的特征图
Figure BDA0003805528100000066
将特征图
Figure BDA0003805528100000067
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA0003805528100000068
的空间注意力特征图
Figure BDA0003805528100000069
将空间注意力特征图
Figure BDA00038055281000000610
输入到第四卷积层中输出得到维度为
Figure BDA00038055281000000611
的特征图
Figure BDA00038055281000000612
将特征图
Figure BDA00038055281000000613
与特征图
Figure BDA00038055281000000614
逐元素相加得到维度为
Figure BDA00038055281000000615
的特征图
Figure BDA00038055281000000616
f-9)第七CBAM-MBConv6模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为3*3且扩张比例为6的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure BDA00038055281000000617
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA00038055281000000618
的特征图
Figure BDA00038055281000000619
将特征图
Figure BDA00038055281000000620
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure BDA00038055281000000621
的特征图
Figure BDA00038055281000000622
将特征图
Figure BDA00038055281000000623
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA00038055281000000624
的空间注意力特征图
Figure BDA00038055281000000625
将空间注意力特征图
Figure BDA00038055281000000626
输入到第四卷积层中输出得到维度为
Figure BDA00038055281000000627
的特征图
Figure BDA00038055281000000628
将特征图
Figure BDA00038055281000000629
与特征图
Figure BDA00038055281000000630
逐元素相加得到维度为
Figure BDA00038055281000000631
的特征图
Figure BDA00038055281000000632
f-10)第八CBAM-MBConv6模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为5*5且扩张比例为6的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure BDA00038055281000000633
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA00038055281000000634
的特征图
Figure BDA00038055281000000635
将特征图
Figure BDA00038055281000000636
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure BDA00038055281000000637
的特征图
Figure BDA00038055281000000638
将特征图
Figure BDA00038055281000000639
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA00038055281000000640
的空间注意力特征图
Figure BDA00038055281000000641
将空间注意力特征图
Figure BDA0003805528100000071
输入到第四卷积层中输出得到维度为
Figure BDA0003805528100000072
的特征图
Figure BDA0003805528100000073
将特征图
Figure BDA0003805528100000074
与特征图
Figure BDA0003805528100000075
逐元素相加得到维度为
Figure BDA0003805528100000076
的特征图
Figure BDA0003805528100000077
f-11)第九CBAM-MBConv6模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为5*5且扩张比例为6的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure BDA0003805528100000078
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA0003805528100000079
的特征图
Figure BDA00038055281000000710
将特征图
Figure BDA00038055281000000711
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure BDA00038055281000000712
的特征图
Figure BDA00038055281000000713
将特征图
Figure BDA00038055281000000714
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA00038055281000000715
的空间注意力特征图
Figure BDA00038055281000000716
将空间注意力特征图
Figure BDA00038055281000000717
输入到第四卷积层中输出得到维度为
Figure BDA00038055281000000718
的特征图
Figure BDA00038055281000000719
将特征图
Figure BDA00038055281000000720
与特征图
Figure BDA00038055281000000721
逐元素相加得到维度为
Figure BDA00038055281000000722
的特征图
Figure BDA00038055281000000723
f-12)第十CBAM-MBConv6模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为5*5且扩张比例为6的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure BDA00038055281000000724
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA00038055281000000725
的特征图
Figure BDA00038055281000000726
将特征图
Figure BDA00038055281000000727
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure BDA00038055281000000728
的特征图
Figure BDA00038055281000000729
将特征图
Figure BDA00038055281000000730
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA00038055281000000731
的空间注意力特征图
Figure BDA00038055281000000732
将空间注意力特征图
Figure BDA00038055281000000733
输入到第四卷积层中输出得到维度为
Figure BDA00038055281000000734
的特征图
Figure BDA00038055281000000735
将特征图
Figure BDA00038055281000000736
与特征图
Figure BDA00038055281000000737
逐元素相加得到维度为
Figure BDA00038055281000000738
的特征图
Figure BDA00038055281000000739
f-13)第十一CBAM-MBConv6模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为5*5且扩张比例为6的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure BDA0003805528100000081
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA0003805528100000082
的特征图
Figure BDA0003805528100000083
将特征图
Figure BDA0003805528100000084
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure BDA0003805528100000085
的特征图
Figure BDA0003805528100000086
将特征图
Figure BDA0003805528100000087
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA0003805528100000088
的空间注意力特征图
Figure BDA0003805528100000089
将空间注意力特征图
Figure BDA00038055281000000810
输入到第四卷积层中输出得到维度为
Figure BDA00038055281000000811
的特征图
Figure BDA00038055281000000812
将特征图
Figure BDA00038055281000000813
与特征图
Figure BDA00038055281000000814
逐元素相加得到维度为
Figure BDA00038055281000000815
的特征图
Figure BDA00038055281000000816
f-14)第十二CBAM-MBConv6模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为5*5且扩张比例为6的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure BDA00038055281000000817
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA00038055281000000818
的特征图
Figure BDA00038055281000000819
将特征图
Figure BDA00038055281000000820
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure BDA00038055281000000821
的特征图
Figure BDA00038055281000000822
将特征图
Figure BDA00038055281000000823
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA00038055281000000824
的空间注意力特征图
Figure BDA00038055281000000825
将空间注意力特征图
Figure BDA00038055281000000826
输入到第四卷积层中输出得到维度为
Figure BDA00038055281000000827
的特征图
Figure BDA00038055281000000828
将特征图
Figure BDA00038055281000000829
与特征图
Figure BDA00038055281000000830
逐元素相加得到维度为
Figure BDA00038055281000000831
的特征图
Figure BDA00038055281000000832
f-15)第十三CBAM-MBConv6模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为5*5且扩张比例为6的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure BDA00038055281000000833
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA00038055281000000834
的特征图
Figure BDA00038055281000000835
将特征图
Figure BDA00038055281000000836
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure BDA00038055281000000837
的特征图
Figure BDA00038055281000000838
将特征图
Figure BDA00038055281000000839
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA00038055281000000840
的空间注意力特征图
Figure BDA00038055281000000841
将空间注意力特征图
Figure BDA0003805528100000091
输入到第四卷积层中输出得到维度为
Figure BDA0003805528100000092
的特征图
Figure BDA0003805528100000093
将特征图
Figure BDA0003805528100000094
与特征图
Figure BDA00038055281000000942
逐元素相加得到维度为
Figure BDA0003805528100000095
的特征图
Figure BDA0003805528100000096
f-16)第十四CBAM-MBConv6模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为5*5且扩张比例为6的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure BDA0003805528100000097
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA0003805528100000098
的特征图
Figure BDA0003805528100000099
将特征图
Figure BDA00038055281000000910
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure BDA00038055281000000911
的特征图
Figure BDA00038055281000000912
将特征图
Figure BDA00038055281000000913
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA00038055281000000914
的空间注意力特征图
Figure BDA00038055281000000915
将空间注意力特征图
Figure BDA00038055281000000916
输入到第四卷积层中输出得到维度为
Figure BDA00038055281000000917
的特征图
Figure BDA00038055281000000918
将特征图
Figure BDA00038055281000000919
与特征图
Figure BDA00038055281000000920
逐元素相加得到维度为
Figure BDA00038055281000000921
的特征图
Figure BDA00038055281000000922
f-17)第十五CBAM-MBConv6模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为3*3且扩张比例为6的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure BDA00038055281000000923
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA00038055281000000924
的特征图
Figure BDA00038055281000000925
将特征图
Figure BDA00038055281000000926
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure BDA00038055281000000927
的特征图
Figure BDA00038055281000000928
将特征图
Figure BDA00038055281000000929
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA00038055281000000930
的空间注意力特征图
Figure BDA00038055281000000931
将空间注意力特征图
Figure BDA00038055281000000932
输入到第四卷积层中输出得到维度为
Figure BDA00038055281000000933
的特征图
Figure BDA00038055281000000934
将特征图
Figure BDA00038055281000000935
与特征图
Figure BDA00038055281000000936
逐元素相加得到维度为
Figure BDA00038055281000000937
的特征图
Figure BDA00038055281000000938
进一步的，步骤g)包括如下步骤：
g-1)将二维图像
Figure BDA00038055281000000939
输入到MTEF-NET网络模型中，进入卷积核大小为3*3的卷积层中，输出得到维度为
Figure BDA00038055281000000940
的特征图
Figure BDA00038055281000000941
g-2)将特征图
Figure BDA0003805528100000101
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA0003805528100000102
的特征图
Figure BDA0003805528100000103
将特征图
Figure BDA0003805528100000104
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure BDA0003805528100000105
的特征图
Figure BDA0003805528100000106
将特征图
Figure BDA0003805528100000107
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA0003805528100000108
的空间注意力特征图
Figure BDA0003805528100000109
将空间注意力特征图
Figure BDA00038055281000001010
输入到第四卷积层中输出得到维度为
Figure BDA00038055281000001011
的特征图
Figure BDA00038055281000001012
将特征图
Figure BDA00038055281000001013
与特征图
Figure BDA00038055281000001014
逐元素相加得到维度为
Figure BDA00038055281000001015
的特征图
Figure BDA00038055281000001016
g-3)将特征图
Figure BDA00038055281000001017
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA00038055281000001018
的特征图
Figure BDA00038055281000001019
将特征图
Figure BDA00038055281000001020
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure BDA00038055281000001021
的特征图
Figure BDA00038055281000001022
将特征图
Figure BDA00038055281000001023
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA00038055281000001024
的空间注意力特征图
Figure BDA00038055281000001025
将空间注意力特征图
Figure BDA00038055281000001026
输入到第四卷积层中输出得到维度为
Figure BDA00038055281000001027
的特征图
Figure BDA00038055281000001028
将特征图
Figure BDA00038055281000001029
与特征图
Figure BDA00038055281000001030
逐元素相加得到维度为
Figure BDA00038055281000001031
的特征图
Figure BDA00038055281000001032
g-4)将特征图
Figure BDA00038055281000001033
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA00038055281000001034
的特征图
Figure BDA00038055281000001035
将特征图
Figure BDA00038055281000001036
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure BDA00038055281000001037
的特征图
Figure BDA00038055281000001038
将特征图
Figure BDA00038055281000001039
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA00038055281000001040
的空间注意力特征图
Figure BDA00038055281000001041
将空间注意力特征图
Figure BDA00038055281000001042
输入到第四卷积层中输出得到维度为
Figure BDA00038055281000001043
的特征图
Figure BDA00038055281000001044
将特征图
Figure BDA00038055281000001045
与特征图
Figure BDA00038055281000001046
逐元素相加得到维度为
Figure BDA00038055281000001047
的特征图
Figure BDA00038055281000001048
g-5)将特征图
Figure BDA00038055281000001049
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA00038055281000001050
的特征图
Figure BDA00038055281000001051
将特征图
Figure BDA00038055281000001052
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure BDA0003805528100000111
的特征图
Figure BDA0003805528100000112
将特征图
Figure BDA0003805528100000113
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA0003805528100000114
的空间注意力特征图
Figure BDA0003805528100000115
将空间注意力特征图
Figure BDA0003805528100000116
输入到第四卷积层中输出得到维度为
Figure BDA0003805528100000117
的特征图
Figure BDA0003805528100000118
将特征图
Figure BDA0003805528100000119
与特征图
Figure BDA00038055281000001110
逐元素相加得到维度为
Figure BDA00038055281000001111
的特征图
Figure BDA00038055281000001112
g-6)将特征图
Figure BDA00038055281000001113
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA00038055281000001114
的特征图
Figure BDA00038055281000001115
将特征图
Figure BDA00038055281000001116
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure BDA00038055281000001117
的特征图
Figure BDA00038055281000001118
将特征图
Figure BDA00038055281000001119
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA00038055281000001120
的空间注意力特征图
Figure BDA00038055281000001121
将空间注意力特征图
Figure BDA00038055281000001122
输入到第四卷积层中输出得到维度为
Figure BDA00038055281000001123
的特征图
Figure BDA00038055281000001124
将特征图
Figure BDA00038055281000001125
与特征图
Figure BDA00038055281000001126
逐元素相加得到维度为
Figure BDA00038055281000001127
的特征图
Figure BDA00038055281000001128
g-7)将特征图
Figure BDA00038055281000001129
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA00038055281000001130
的特征图
Figure BDA00038055281000001131
将特征图
Figure BDA00038055281000001132
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure BDA00038055281000001133
的特征图
Figure BDA00038055281000001134
将特征图
Figure BDA00038055281000001135
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA00038055281000001136
的空间注意力特征图yj,29，将空间注意力特征图yj,29输入到第四卷积层中输出得到维度为
Figure BDA00038055281000001137
的特征图
Figure BDA00038055281000001138
将特征图
Figure BDA00038055281000001139
与特征图
Figure BDA00038055281000001140
逐元素相加得到维度为
Figure BDA00038055281000001141
的特征图
Figure BDA00038055281000001142
g-8)将特征图
Figure BDA00038055281000001143
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA00038055281000001144
的特征图
Figure BDA00038055281000001145
将特征图
Figure BDA00038055281000001146
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure BDA00038055281000001147
的特征图
Figure BDA00038055281000001148
将特征图
Figure BDA00038055281000001149
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA00038055281000001150
的空间注意力特征图
Figure BDA00038055281000001151
将空间注意力特征图
Figure BDA00038055281000001152
输入到第四卷积层中输出得到维度为
Figure BDA0003805528100000121
的特征图
Figure BDA0003805528100000122
将特征图
Figure BDA0003805528100000123
与特征图
Figure BDA0003805528100000124
逐元素相加得到维度为
Figure BDA0003805528100000125
的特征图
Figure BDA0003805528100000126
g-9)将特征图
Figure BDA0003805528100000127
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA0003805528100000128
的特征图
Figure BDA0003805528100000129
将特征图
Figure BDA00038055281000001210
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure BDA00038055281000001211
的特征图
Figure BDA00038055281000001212
将特征图
Figure BDA00038055281000001213
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA00038055281000001214
的空间注意力特征图
Figure BDA00038055281000001215
将空间注意力特征图
Figure BDA00038055281000001216
输入到第四卷积层中输出得到维度为
Figure BDA00038055281000001217
的特征图
Figure BDA00038055281000001218
将特征图
Figure BDA00038055281000001219
与特征图
Figure BDA00038055281000001220
逐元素相加得到维度为
Figure BDA00038055281000001221
的特征图
Figure BDA00038055281000001222
g-10)将特征图
Figure BDA00038055281000001223
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA00038055281000001224
的特征图
Figure BDA00038055281000001225
将特征图
Figure BDA00038055281000001226
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure BDA00038055281000001227
的特征图
Figure BDA00038055281000001228
将特征图
Figure BDA00038055281000001229
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA00038055281000001230
的空间注意力特征图
Figure BDA00038055281000001231
将空间注意力特征图
Figure BDA00038055281000001232
输入到第四卷积层中输出得到维度为
Figure BDA00038055281000001233
的特征图
Figure BDA00038055281000001234
将特征图
Figure BDA00038055281000001235
与特征图
Figure BDA00038055281000001236
逐元素相加得到维度为
Figure BDA00038055281000001237
的特征图
Figure BDA00038055281000001238
g-11)将特征图
Figure BDA00038055281000001239
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA00038055281000001240
的特征图
Figure BDA00038055281000001241
将特征图
Figure BDA00038055281000001242
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure BDA00038055281000001243
的特征图
Figure BDA00038055281000001244
将特征图
Figure BDA00038055281000001245
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA00038055281000001246
的空间注意力特征图
Figure BDA00038055281000001247
将空间注意力特征图
Figure BDA00038055281000001248
输入到第四卷积层中输出得到维度为
Figure BDA00038055281000001249
的特征图
Figure BDA00038055281000001250
将特征图
Figure BDA00038055281000001251
与特征图
Figure BDA00038055281000001252
逐元素相加得到维度为
Figure BDA00038055281000001253
的特征图
Figure BDA00038055281000001254
g-12)将特征图
Figure BDA0003805528100000131
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA0003805528100000132
的特征图
Figure BDA0003805528100000133
将特征图
Figure BDA0003805528100000134
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure BDA0003805528100000135
的特征图
Figure BDA0003805528100000136
将特征图
Figure BDA0003805528100000137
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA0003805528100000138
的空间注意力特征图
Figure BDA0003805528100000139
将空间注意力特征图
Figure BDA00038055281000001310
输入到第四卷积层中输出得到维度为
Figure BDA00038055281000001311
的特征图
Figure BDA00038055281000001312
将特征图
Figure BDA00038055281000001313
与特征图
Figure BDA00038055281000001314
逐元素相加得到维度为
Figure BDA00038055281000001315
的特征图
Figure BDA00038055281000001316
g-13)将特征图
Figure BDA00038055281000001317
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA00038055281000001318
的特征图
Figure BDA00038055281000001319
将特征图
Figure BDA00038055281000001320
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure BDA00038055281000001321
的特征图
Figure BDA00038055281000001322
将特征图
Figure BDA00038055281000001323
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA00038055281000001324
的空间注意力特征图
Figure BDA00038055281000001325
将空间注意力特征图
Figure BDA00038055281000001326
输入到第四卷积层中输出得到维度为
Figure BDA00038055281000001327
的特征图
Figure BDA00038055281000001328
将特征图
Figure BDA00038055281000001329
与特征图
Figure BDA00038055281000001330
逐元素相加得到维度为
Figure BDA00038055281000001331
的特征图
Figure BDA00038055281000001332
g-14)将特征图
Figure BDA00038055281000001333
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA00038055281000001334
的特征图
Figure BDA00038055281000001335
将特征图
Figure BDA00038055281000001336
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure BDA00038055281000001337
的特征图
Figure BDA00038055281000001338
将特征图
Figure BDA00038055281000001339
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA00038055281000001340
的空间注意力特征图
Figure BDA00038055281000001341
将空间注意力特征图
Figure BDA00038055281000001342
输入到第四卷积层中输出得到维度为
Figure BDA00038055281000001343
的特征图
Figure BDA00038055281000001344
将特征图
Figure BDA00038055281000001345
与特征图
Figure BDA00038055281000001346
逐元素相加得到维度为
Figure BDA00038055281000001347
的特征图
Figure BDA00038055281000001348
g-15)将特征图
Figure BDA00038055281000001349
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA00038055281000001350
的特征图
Figure BDA00038055281000001351
将特征图
Figure BDA00038055281000001352
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure BDA0003805528100000141
的特征图
Figure BDA0003805528100000142
将特征图
Figure BDA0003805528100000143
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA0003805528100000144
的空间注意力特征图
Figure BDA0003805528100000145
将空间注意力特征图
Figure BDA0003805528100000146
输入到第四卷积层中输出得到维度为
Figure BDA0003805528100000147
的特征图
Figure BDA0003805528100000148
将特征图
Figure BDA0003805528100000149
与特征图
Figure BDA00038055281000001410
逐元素相加得到维度为
Figure BDA00038055281000001411
的特征图
Figure BDA00038055281000001412
g-16)将特征图
Figure BDA00038055281000001413
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA00038055281000001414
的特征图
Figure BDA00038055281000001415
将特征图
Figure BDA00038055281000001416
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure BDA00038055281000001417
的特征图
Figure BDA00038055281000001418
将特征图
Figure BDA00038055281000001419
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA00038055281000001420
的空间注意力特征图
Figure BDA00038055281000001421
将空间注意力特征图
Figure BDA00038055281000001422
输入到第四卷积层中输出得到维度为
Figure BDA00038055281000001423
的特征图
Figure BDA00038055281000001424
将特征图
Figure BDA00038055281000001425
与特征图
Figure BDA00038055281000001426
逐元素相加得到维度为
Figure BDA00038055281000001427
的特征图
Figure BDA00038055281000001428
g-17)将特征图
Figure BDA00038055281000001429
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA00038055281000001430
的特征图
Figure BDA00038055281000001431
将特征图
Figure BDA00038055281000001432
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure BDA00038055281000001433
的特征图
Figure BDA00038055281000001434
将特征图
Figure BDA00038055281000001435
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA00038055281000001436
的空间注意力特征图
Figure BDA00038055281000001437
将空间注意力特征图
Figure BDA00038055281000001438
输入到第四卷积层中输出得到维度为
Figure BDA00038055281000001439
的特征图
Figure BDA00038055281000001440
将特征图
Figure BDA00038055281000001441
与特征图
Figure BDA00038055281000001442
逐元素相加得到维度为
Figure BDA00038055281000001443
的特征图
Figure BDA00038055281000001444
进一步的，步骤h)中通过公式
Figure BDA00038055281000001445
计算第i个结果yai，式中Hai为第i个结果yai的高，Wai为第i个结果yai的宽、Cai为第i个结果yai的通道数，通过公式
Figure BDA0003805528100000151
计算第j个结果ybj，式中Hbj为第j个结果ybj的高，Wbj为第j个结果ybj的宽、Cbj为第j个结果ybj的通道数。
进一步的，还包括在步骤h)后执行如下步骤：
i)通过公式
Figure BDA0003805528100000152
计算得到损失函数L，式中λ和β均为权重，λ+β＝1，softmax(·)为softmax激活函数；
j)利用损失函数L通过优化函数Adam更新步骤e)中MTEF-NET网络模型的参数，经过100次训练，保存训练模型和参数。
本发明的有益效果是：通过设置两个任务来构建多任务神经网络，利用多任务的联合学***衡数据样本差异的能力，能够解决数据不平衡问题。建立的MTEF-NET网络模型具有复杂网络的量化调整能力，通过对网络深度，宽度和输入图片分辨率的综合调整，使神经网络只需要较少的网络参数，减轻了模型性的复杂度，同时也能够提高分类的准确率。通过构建CBAM-MBCov模块，能够解决心电信号转换成二维图像之后所丢失的通道和空间特征消失的问题。
附图说明
图1为本发明的MTEF-NET网络结构图；
图2为本发明的方法流程图；
图3为本发明的CBAM-MBConv模块的结构图。
具体实施方式
下面结合附图1、附图2、附图3对本发明做进一步说明。
一种基于多任务MTEF-NET的心电分类方法，包括：
a)从MIT-BIH心率失常数据库中获取原始心电信号X＝{x1,x2,....,xi,...,xn}，其中xi为第i条原始心电信号，i∈{1,...,n}，n为原始心电信号的总数。
b)对原始心电信号X进行预处理，ECG信号通常会受到各种噪声的干扰，如基线漂移、肌电图干扰和电力线干扰，这使得很难从原始ECG信号中提取有用的信息。因此，在进行分类任务之前需要降噪处理，因此去除原始心电信号X中的噪音，得到干净的心电信号U＝{u1,u2,....,ui,...,un}，其中ui为第i条原始心电信号，i∈{1,...,n}。
c)利用连续小波变换将干净的心电信号U转换为二维图像数据集Y＝{y1,y2,....,yi,...,yn}，以便于特征提取，其中yi为第i个二维图像，i∈{1,...,n}，二维图像yi的高为H、宽为W、通道数为C，其维度为H*W*C。
d)重新构建数据集，将单任务数据集构建成多任务数据集，具体的将二维图像数据集Y按50％与50％的等比例划分，第一个划分后的数据集为用于检测心电信号是否正常的数据集
Figure BDA0003805528100000161
其中
Figure BDA0003805528100000162
为第i个二维图像，
Figure BDA0003805528100000163
第二个划分后的数据集中将小波变换后的图像进行镜像或倒置处理，得到用于判断该心电信号具体类型的数据集
Figure BDA0003805528100000164
其中
Figure BDA0003805528100000165
为第j个二维图像，
Figure BDA0003805528100000166
其中任务一(粗粒度分支)的数据集Y1用于检测心电信号是否正常。任务二(细粒度分支)的数据集Y2用于判断该心电信号具体类型。任务一的数据集Y1是小波变换的图像数据集无需任何变动，任务二的数据集Y2将小波变换后的图像进行镜像或者倒置处理。这两个分类任务共用同一个神经网络(MTEF-NET网络模型)进行特征提取，最后在全局平均池化层进行输出各自任务的类别种类。
e)建立MTEF-NET网络模型，该MTEF-NET网络模型依次由卷积层、CBAM-MBConv1模块、第一CBAM-MBConv6模块、第二CBAM-MBConv6模块、第三CBAM-MBConv6模块、第四CBAM-MBConv6模块、第五CBAM-MBConv6模块、第六CBAM-MBConv6模块、第七CBAM-MBConv6模块、第八CBAM-MBConv6模块、第九CBAM-MBConv6模块、第十CBAM-MBConv6模块、第十一CBAM-MBConv6模块、第十二CBAM-MBConv6模块、第十三CBAM-MBConv6模块、十四一CBAM-MBConv6模块及第十五CBAM-MBConv6模块及全局池化层构成。
f)将数据集Y1中每一个二维图像输入到MTEF-NET网络模型中输出得到特征图集
Figure BDA0003805528100000171
其中
Figure BDA0003805528100000172
为第i个二维图像，
Figure BDA0003805528100000173
二维图像
Figure BDA0003805528100000174
的维度为
Figure BDA0003805528100000175
g)将数据集Y2中每一个二维图像输入到MTEF-NET网络模型中输出得到特征图集
Figure BDA0003805528100000176
其中
Figure BDA0003805528100000177
为第j个二维图像，
Figure BDA0003805528100000178
二维图像
Figure BDA0003805528100000179
的维度为
Figure BDA00038055281000001710
h)将特征图集
Figure BDA00038055281000001711
输入到MTEF-NET网络模型的全局池化层中，输出得到心电信号分类结果
Figure BDA00038055281000001712
其中yai为第i个结果，
Figure BDA00038055281000001713
将特征图集
Figure BDA00038055281000001714
输入到MTEF-NET网络模型的全局池化层中，输出得到心电信号分类结果
Figure BDA00038055281000001715
其中ybj为第j个结果，
Figure BDA00038055281000001716
通过设置两个任务来构建多任务神经网络，利用多任务的联合学***衡数据样本差异的能力，能够解决数据不平衡问题。建立的MTEF-NET网络模型具有复杂网络的量化调整能力，通过对网络深度，宽度和输入图片分辨率的综合调整，使神经网络只需要较少的网络参数，减轻了模型性的复杂度，同时也能够提高分类的准确率。通过构建CBAM-MBCov模块，能够解决心电信号转换成二维图像之后所丢失的通道和空间特征消失的问题。
实施例1：
步骤b)中使用两个中值滤波器去除原始心电信号X＝{x1,x2,....,xi,...,xn}中的噪音，得到干净的心电信号U＝{u1,u2,....,ui,...,un}，其中第一个中值滤波器的宽度为300ms，第二个中值滤波器的宽度为600ms。
实施例2：
步骤c)中通过公式
Figure BDA0003805528100000181
计算得到第i个二维图像yi，式中a为转换尺度，b为平移因子，φ(·)为母小波。
实施例3：
步骤f)包括如下步骤：
f-1)将二维图像
Figure BDA0003805528100000182
输入到MTEF-NET网络模型中，进入卷积核大小为3*3的卷积层中，输出得到维度为
Figure BDA0003805528100000183
的特征图
Figure BDA0003805528100000184
f-2)CBAM-MBConv1模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为3*3且扩张比例为1的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure BDA0003805528100000185
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA0003805528100000186
的特征图
Figure BDA0003805528100000187
第一卷积层进行升维操作，第二卷积层进行通道扩张，将特征图
Figure BDA0003805528100000188
依次输入到第一全局最大池化层和第一全局平均池化层利用通道注意力提取通道特征后输出得到维度为
Figure BDA0003805528100000189
的特征图
Figure BDA00038055281000001810
将特征图
Figure BDA00038055281000001811
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA00038055281000001812
的空间注意力特征图
Figure BDA00038055281000001813
将空间注意力特征图
Figure BDA00038055281000001814
输入到第四卷积层中进行降维，输出得到维度为
Figure BDA00038055281000001815
的特征图
Figure BDA00038055281000001816
将特征图
Figure BDA00038055281000001817
与特征图
Figure BDA00038055281000001818
逐元素相加得到维度为
Figure BDA00038055281000001819
的特征图
Figure BDA00038055281000001820
f-3)第一CBAM-MBConv6模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为3*3且扩张比例为6的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure BDA0003805528100000191
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA0003805528100000192
的特征图
Figure BDA0003805528100000193
第一卷积层进行升维操作，第二卷积层进行通道扩张，将特征图
Figure BDA0003805528100000194
依次输入到第一全局最大池化层和第一全局平均池化层利用通道注意力提取通道特征后输出得到维度为
Figure BDA0003805528100000195
的特征图
Figure BDA0003805528100000196
将特征图
Figure BDA0003805528100000197
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA0003805528100000198
的空间注意力特征图
Figure BDA0003805528100000199
将空间注意力特征图
Figure BDA00038055281000001910
输入到第四卷积层中进行降维，输出得到维度为
Figure BDA00038055281000001911
的特征图
Figure BDA00038055281000001912
将特征图
Figure BDA00038055281000001913
与特征图
Figure BDA00038055281000001914
逐元素相加得到维度为
Figure BDA00038055281000001915
的特征图
Figure BDA00038055281000001916
f-4)第二CBAM-MBConv6模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为3*3且扩张比例为6的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure BDA00038055281000001917
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA00038055281000001918
的特征图
Figure BDA00038055281000001919
第一卷积层进行升维操作，第二卷积层进行通道扩张，将特征图
Figure BDA00038055281000001920
依次输入到第一全局最大池化层和第一全局平均池化层利用通道注意力提取通道特征后输出得到维度为
Figure BDA00038055281000001921
的特征图
Figure BDA00038055281000001922
将特征图
Figure BDA00038055281000001923
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA00038055281000001924
的空间注意力特征图
Figure BDA00038055281000001925
将空间注意力特征图
Figure BDA00038055281000001926
输入到第四卷积层中进行降维，输出得到维度为
Figure BDA00038055281000001927
的特征图
Figure BDA00038055281000001928
将特征图
Figure BDA00038055281000001929
与特征图
Figure BDA00038055281000001930
逐元素相加得到维度为
Figure BDA00038055281000001931
的特征图
Figure BDA00038055281000001932
f-5)第三CBAM-MBConv6模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为5*5且扩张比例为6的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure BDA00038055281000001933
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA00038055281000001934
的特征图
Figure BDA00038055281000001935
第一卷积层进行升维操作，第二卷积层进行通道扩张，将特征图
Figure BDA0003805528100000201
依次输入到第一全局最大池化层和第一全局平均池化层利用通道注意力提取通道特征后输出得到维度为
Figure BDA0003805528100000202
的特征图
Figure BDA0003805528100000203
将特征图
Figure BDA0003805528100000204
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA0003805528100000205
的空间注意力特征图
Figure BDA0003805528100000206
将空间注意力特征图
Figure BDA0003805528100000207
输入到第四卷积层中进行降维，输出得到维度为
Figure BDA0003805528100000208
的特征图
Figure BDA0003805528100000209
将特征图
Figure BDA00038055281000002010
与特征图
Figure BDA00038055281000002011
逐元素相加得到维度为
Figure BDA00038055281000002012
的特征图
Figure BDA00038055281000002013
f-6)第四CBAM-MBConv6模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为5*5且扩张比例为6的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure BDA00038055281000002014
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA00038055281000002015
的特征图
Figure BDA00038055281000002016
第一卷积层进行升维操作，第二卷积层进行通道扩张，将特征图
Figure BDA00038055281000002017
依次输入到第一全局最大池化层和第一全局平均池化层利用通道注意力提取通道特征后输出得到维度为
Figure BDA00038055281000002018
的特征图
Figure BDA00038055281000002019
将特征图
Figure BDA00038055281000002020
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA00038055281000002021
的空间注意力特征图
Figure BDA00038055281000002022
将空间注意力特征图
Figure BDA00038055281000002023
输入到第四卷积层中进行降维，输出得到维度为
Figure BDA00038055281000002024
的特征图
Figure BDA00038055281000002025
将特征图
Figure BDA00038055281000002026
与特征图
Figure BDA00038055281000002027
逐元素相加得到维度为
Figure BDA00038055281000002028
的特征图
Figure BDA00038055281000002029
f-7)第五CBAM-MBConv6模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为3*3且扩张比例为6的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure BDA00038055281000002030
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA00038055281000002031
的特征图
Figure BDA00038055281000002032
第一卷积层进行升维操作，第二卷积层进行通道扩张，将特征图
Figure BDA00038055281000002033
依次输入到第一全局最大池化层和第一全局平均池化层利用通道注意力提取通道特征后输出得到维度为
Figure BDA00038055281000002034
的特征图
Figure BDA00038055281000002035
将特征图
Figure BDA00038055281000002036
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA0003805528100000211
的空间注意力特征图
Figure BDA0003805528100000212
将空间注意力特征图
Figure BDA0003805528100000213
输入到第四卷积层中进行降维，输出得到维度为
Figure BDA0003805528100000214
的特征图
Figure BDA0003805528100000215
将特征图
Figure BDA0003805528100000216
与特征图
Figure BDA0003805528100000217
逐元素相加得到维度为
Figure BDA0003805528100000218
的特征图
Figure BDA0003805528100000219
f-8)第六CBAM-MBConv6模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为3*3且扩张比例为6的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure BDA00038055281000002110
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA00038055281000002111
的特征图
Figure BDA00038055281000002112
第一卷积层进行升维操作，第二卷积层进行通道扩张，将特征图
Figure BDA00038055281000002113
依次输入到第一全局最大池化层和第一全局平均池化层利用通道注意力提取通道特征后输出得到维度为
Figure BDA00038055281000002114
的特征图
Figure BDA00038055281000002115
将特征图
Figure BDA00038055281000002116
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA00038055281000002117
的空间注意力特征图
Figure BDA00038055281000002118
将空间注意力特征图
Figure BDA00038055281000002119
输入到第四卷积层中进行降维，输出得到维度为
Figure BDA00038055281000002120
的特征图
Figure BDA00038055281000002121
将特征图
Figure BDA00038055281000002122
与特征图
Figure BDA00038055281000002123
逐元素相加得到维度为
Figure BDA00038055281000002124
的特征图
Figure BDA00038055281000002125
f-9)第七CBAM-MBConv6模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为3*3且扩张比例为6的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure BDA00038055281000002126
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA00038055281000002127
的特征图
Figure BDA00038055281000002128
第一卷积层进行升维操作，第二卷积层进行通道扩张，将特征图
Figure BDA00038055281000002129
依次输入到第一全局最大池化层和第一全局平均池化层利用通道注意力提取通道特征后输出得到维度为
Figure BDA00038055281000002130
的特征图
Figure BDA00038055281000002131
将特征图
Figure BDA00038055281000002132
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA00038055281000002133
的空间注意力特征图
Figure BDA00038055281000002134
将空间注意力特征图
Figure BDA00038055281000002135
输入到第四卷积层中进行降维，输出得到维度为
Figure BDA00038055281000002136
的特征图
Figure BDA00038055281000002137
将特征图
Figure BDA00038055281000002138
与特征图
Figure BDA00038055281000002139
逐元素相加得到维度为
Figure BDA00038055281000002140
的特征图
Figure BDA00038055281000002141
f-10)第八CBAM-MBConv6模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为5*5且扩张比例为6的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure BDA0003805528100000221
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA0003805528100000222
的特征图
Figure BDA0003805528100000223
第一卷积层进行升维操作，第二卷积层进行通道扩张，将特征图
Figure BDA0003805528100000224
依次输入到第一全局最大池化层和第一全局平均池化层利用通道注意力提取通道特征后输出得到维度为
Figure BDA0003805528100000225
的特征图
Figure BDA0003805528100000226
将特征图
Figure BDA0003805528100000227
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA0003805528100000228
的空间注意力特征图
Figure BDA0003805528100000229
将空间注意力特征图
Figure BDA00038055281000002210
输入到第四卷积层中进行降维，输出得到维度为
Figure BDA00038055281000002211
的特征图
Figure BDA00038055281000002212
将特征图
Figure BDA00038055281000002213
与特征图
Figure BDA00038055281000002214
逐元素相加得到维度为
Figure BDA00038055281000002215
的特征图
Figure BDA00038055281000002216
f-11)第九CBAM-MBConv6模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为5*5且扩张比例为6的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure BDA00038055281000002217
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA00038055281000002218
的特征图
Figure BDA00038055281000002219
第一卷积层进行升维操作，第二卷积层进行通道扩张，将特征图
Figure BDA00038055281000002220
依次输入到第一全局最大池化层和第一全局平均池化层利用通道注意力提取通道特征后输出得到维度为
Figure BDA00038055281000002221
的特征图
Figure BDA00038055281000002222
将特征图
Figure BDA00038055281000002223
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA00038055281000002224
的空间注意力特征图
Figure BDA00038055281000002225
将空间注意力特征图
Figure BDA00038055281000002226
输入到第四卷积层中进行降维，输出得到维度为
Figure BDA00038055281000002227
的特征图
Figure BDA00038055281000002228
将特征图
Figure BDA00038055281000002229
与特征图
Figure BDA00038055281000002230
逐元素相加得到维度为
Figure BDA00038055281000002231
的特征图
Figure BDA00038055281000002232
f-12)第十CBAM-MBConv6模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为5*5且扩张比例为6的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure BDA00038055281000002233
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA0003805528100000231
的特征图
Figure BDA0003805528100000232
第一卷积层进行升维操作，第二卷积层进行通道扩张，将特征图
Figure BDA0003805528100000233
依次输入到第一全局最大池化层和第一全局平均池化层利用通道注意力提取通道特征后输出得到维度为
Figure BDA0003805528100000234
的特征图
Figure BDA0003805528100000235
将特征图
Figure BDA0003805528100000236
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA0003805528100000237
的空间注意力特征图
Figure BDA0003805528100000238
将空间注意力特征图
Figure BDA0003805528100000239
输入到第四卷积层中进行降维，输出得到维度为
Figure BDA00038055281000002310
的特征图
Figure BDA00038055281000002311
将特征图
Figure BDA00038055281000002312
与特征图
Figure BDA00038055281000002313
逐元素相加得到维度为
Figure BDA00038055281000002314
的特征图
Figure BDA00038055281000002315
f-13)第十一CBAM-MBConv6模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为5*5且扩张比例为6的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure BDA00038055281000002316
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA00038055281000002317
的特征图
Figure BDA00038055281000002318
第一卷积层进行升维操作，第二卷积层进行通道扩张，将特征图
Figure BDA00038055281000002319
依次输入到第一全局最大池化层和第一全局平均池化层利用通道注意力提取通道特征后输出得到维度为
Figure BDA00038055281000002320
的特征图
Figure BDA00038055281000002321
将特征图
Figure BDA00038055281000002322
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA00038055281000002323
的空间注意力特征图
Figure BDA00038055281000002324
将空间注意力特征图
Figure BDA00038055281000002325
输入到第四卷积层中进行降维，输出得到维度为
Figure BDA00038055281000002326
的特征图
Figure BDA00038055281000002327
将特征图
Figure BDA00038055281000002328
与特征图
Figure BDA00038055281000002329
逐元素相加得到维度为
Figure BDA00038055281000002330
的特征图
Figure BDA00038055281000002331
f-14)第十二CBAM-MBConv6模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为5*5且扩张比例为6的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure BDA00038055281000002332
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA00038055281000002333
的特征图
Figure BDA00038055281000002334
第一卷积层进行升维操作，第二卷积层进行通道扩张，将特征图
Figure BDA00038055281000002335
依次输入到第一全局最大池化层和第一全局平均池化层利用通道注意力提取通道特征后输出得到维度为
Figure BDA00038055281000002336
的特征图
Figure BDA00038055281000002337
将特征图
Figure BDA00038055281000002338
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA0003805528100000241
的空间注意力特征图
Figure BDA0003805528100000242
将空间注意力特征图
Figure BDA0003805528100000243
输入到第四卷积层中进行降维，输出得到维度为
Figure BDA0003805528100000244
的特征图
Figure BDA0003805528100000245
将特征图
Figure BDA0003805528100000246
与特征图
Figure BDA0003805528100000247
逐元素相加得到维度为
Figure BDA0003805528100000248
的特征图
Figure BDA0003805528100000249
f-15)第十三CBAM-MBConv6模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为5*5且扩张比例为6的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure BDA00038055281000002410
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA00038055281000002411
的特征图
Figure BDA00038055281000002412
第一卷积层进行升维操作，第二卷积层进行通道扩张，将特征图
Figure BDA00038055281000002413
依次输入到第一全局最大池化层和第一全局平均池化层利用通道注意力提取通道特征后输出得到维度为
Figure BDA00038055281000002414
的特征图
Figure BDA00038055281000002415
将特征图
Figure BDA00038055281000002416
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA00038055281000002417
的空间注意力特征图
Figure BDA00038055281000002418
将空间注意力特征图
Figure BDA00038055281000002419
输入到第四卷积层中进行降维，输出得到维度为
Figure BDA00038055281000002420
的特征图
Figure BDA00038055281000002421
将特征图
Figure BDA00038055281000002422
与特征图
Figure BDA00038055281000002423
逐元素相加得到维度为
Figure BDA00038055281000002424
的特征图
Figure BDA00038055281000002425
f-16)第十四CBAM-MBConv6模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为5*5且扩张比例为6的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure BDA00038055281000002426
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA00038055281000002427
的特征图
Figure BDA00038055281000002428
第一卷积层进行升维操作，第二卷积层进行通道扩张，将特征图
Figure BDA00038055281000002429
依次输入到第一全局最大池化层和第一全局平均池化层利用通道注意力提取通道特征后输出得到维度为
Figure BDA00038055281000002430
的特征图
Figure BDA00038055281000002431
将特征图
Figure BDA00038055281000002432
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA00038055281000002433
的空间注意力特征图
Figure BDA00038055281000002434
将空间注意力特征图
Figure BDA00038055281000002435
输入到第四卷积层中进行降维，输出得到维度为
Figure BDA00038055281000002436
的特征图
Figure BDA00038055281000002437
将特征图
Figure BDA0003805528100000251
与特征图
Figure BDA0003805528100000252
逐元素相加得到维度为
Figure BDA0003805528100000253
的特征图
Figure BDA0003805528100000254
f-17)第十五CBAM-MBConv6模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为3*3且扩张比例为6的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure BDA0003805528100000255
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA0003805528100000256
的特征图
Figure BDA0003805528100000257
第一卷积层进行升维操作，第二卷积层进行通道扩张，将特征图
Figure BDA0003805528100000258
依次输入到第一全局最大池化层和第一全局平均池化层利用通道注意力提取通道特征后输出得到维度为
Figure BDA0003805528100000259
的特征图
Figure BDA00038055281000002510
将特征图
Figure BDA00038055281000002511
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA00038055281000002512
的空间注意力特征图
Figure BDA00038055281000002513
将空间注意力特征图
Figure BDA00038055281000002514
输入到第四卷积层中进行降维，输出得到维度为
Figure BDA00038055281000002515
的特征图
Figure BDA00038055281000002516
将特征图
Figure BDA00038055281000002517
与特征图
Figure BDA00038055281000002518
逐元素相加得到维度为
Figure BDA00038055281000002519
的特征图
Figure BDA00038055281000002520
实施例4：
步骤g)包括如下步骤：
g-1)将二维图像
Figure BDA00038055281000002521
输入到MTEF-NET网络模型中，进入卷积核大小为3*3的卷积层中，输出得到维度为
Figure BDA00038055281000002522
的特征图
Figure BDA00038055281000002523
g-2)将特征图
Figure BDA00038055281000002524
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA00038055281000002525
的特征图
Figure BDA00038055281000002526
第一卷积层进行升维操作，第二卷积层进行通道扩张，将特征图
Figure BDA00038055281000002527
依次输入到第一全局最大池化层和第一全局平均池化层后利用通道注意力提取通道特征输出得到维度为
Figure BDA00038055281000002528
的特征图
Figure BDA00038055281000002529
将特征图
Figure BDA00038055281000002530
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA00038055281000002531
的空间注意力特征图
Figure BDA00038055281000002532
将空间注意力特征图
Figure BDA00038055281000002533
输入到第四卷积层中进行降维，输出得到维度为
Figure BDA00038055281000002534
的特征图
Figure BDA00038055281000002535
将特征图
Figure BDA00038055281000002536
与特征图
Figure BDA00038055281000002537
逐元素相加得到维度为
Figure BDA00038055281000002538
的特征图
Figure BDA00038055281000002539
g-3)将特征图
Figure BDA0003805528100000261
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA0003805528100000262
的特征图
Figure BDA0003805528100000263
第一卷积层进行升维操作，第二卷积层进行通道扩张，将特征图
Figure BDA0003805528100000264
依次输入到第一全局最大池化层和第一全局平均池化层利用通道注意力提取通道特征后输出得到维度为
Figure BDA0003805528100000265
的特征图
Figure BDA0003805528100000266
将特征图
Figure BDA0003805528100000267
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA0003805528100000268
的空间注意力特征图
Figure BDA0003805528100000269
将空间注意力特征图
Figure BDA00038055281000002610
输入到第四卷积层中进行降维，输出得到维度为
Figure BDA00038055281000002611
的特征图
Figure BDA00038055281000002612
将特征图
Figure BDA00038055281000002613
与特征图
Figure BDA00038055281000002614
逐元素相加得到维度为
Figure BDA00038055281000002615
的特征图
Figure BDA00038055281000002616
g-4)将特征图
Figure BDA00038055281000002617
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA00038055281000002618
的特征图
Figure BDA00038055281000002619
第一卷积层进行升维操作，第二卷积层进行通道扩张，将特征图
Figure BDA00038055281000002620
依次输入到第一全局最大池化层和第一全局平均池化层利用通道注意力提取通道特征后输出得到维度为
Figure BDA00038055281000002621
的特征图
Figure BDA00038055281000002622
将特征图
Figure BDA00038055281000002623
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA00038055281000002624
的空间注意力特征图
Figure BDA00038055281000002625
将空间注意力特征图
Figure BDA00038055281000002626
输入到第四卷积层中进行降维，输出得到维度为
Figure BDA00038055281000002627
的特征图
Figure BDA00038055281000002628
将特征图
Figure BDA00038055281000002629
与特征图
Figure BDA00038055281000002630
逐元素相加得到维度为
Figure BDA00038055281000002631
的特征图
Figure BDA00038055281000002632
g-5)将特征图
Figure BDA00038055281000002633
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA00038055281000002634
的特征图
Figure BDA00038055281000002635
第一卷积层进行升维操作，第二卷积层进行通道扩张，将特征图
Figure BDA00038055281000002636
依次输入到第一全局最大池化层和第一全局平均池化层利用通道注意力提取通道特征后输出得到维度为
Figure BDA00038055281000002637
的特征图
Figure BDA00038055281000002638
将特征图
Figure BDA00038055281000002639
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA00038055281000002640
的空间注意力特征图
Figure BDA00038055281000002641
将空间注意力特征图
Figure BDA00038055281000002642
输入到第四卷积层中进行降维，输出得到维度为
Figure BDA00038055281000002643
的特征图
Figure BDA00038055281000002644
将特征图
Figure BDA00038055281000002645
与特征图
Figure BDA00038055281000002646
逐元素相加得到维度为
Figure BDA00038055281000002647
的特征图
Figure BDA00038055281000002648
g-6)将特征图
Figure BDA0003805528100000271
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA0003805528100000272
的特征图
Figure BDA0003805528100000273
第一卷积层进行升维操作，第二卷积层进行通道扩张，将特征图
Figure BDA0003805528100000274
依次输入到第一全局最大池化层和第一全局平均池化层利用通道注意力提取通道特征后输出得到维度为
Figure BDA0003805528100000275
的特征图
Figure BDA0003805528100000276
将特征图
Figure BDA0003805528100000277
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA0003805528100000278
的空间注意力特征图
Figure BDA0003805528100000279
将空间注意力特征图
Figure BDA00038055281000002710
输入到第四卷积层中进行降维，输出得到维度为
Figure BDA00038055281000002711
的特征图
Figure BDA00038055281000002712
将特征图
Figure BDA00038055281000002713
与特征图
Figure BDA00038055281000002714
逐元素相加得到维度为
Figure BDA00038055281000002715
的特征图
Figure BDA00038055281000002716
g-7)将特征图
Figure BDA00038055281000002717
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA00038055281000002718
的特征图
Figure BDA00038055281000002719
第一卷积层进行升维操作，第二卷积层进行通道扩张，将特征图
Figure BDA00038055281000002720
依次输入到第一全局最大池化层和第一全局平均池化层利用通道注意力提取通道特征后输出得到维度为
Figure BDA00038055281000002721
的特征图
Figure BDA00038055281000002722
将特征图
Figure BDA00038055281000002723
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA00038055281000002724
的空间注意力特征图yj,29，将空间注意力特征图yj,29输入到第四卷积层中进行降维，输出得到维度为
Figure BDA00038055281000002725
的特征图
Figure BDA00038055281000002726
将特征图
Figure BDA00038055281000002727
与特征图
Figure BDA00038055281000002728
逐元素相加得到维度为
Figure BDA00038055281000002729
的特征图
Figure BDA00038055281000002730
g-8)将特征图
Figure BDA00038055281000002731
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA00038055281000002732
的特征图
Figure BDA00038055281000002733
第一卷积层进行升维操作，第二卷积层进行通道扩张，将特征图
Figure BDA00038055281000002734
依次输入到第一全局最大池化层和第一全局平均池化层利用通道注意力提取通道特征后输出得到维度为
Figure BDA00038055281000002735
的特征图
Figure BDA00038055281000002736
将特征图
Figure BDA00038055281000002737
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA00038055281000002738
的空间注意力特征图
Figure BDA00038055281000002739
将空间注意力特征图
Figure BDA00038055281000002740
输入到第四卷积层中进行降维，输出得到维度为
Figure BDA00038055281000002741
的特征图
Figure BDA00038055281000002742
将特征图
Figure BDA00038055281000002743
与特征图
Figure BDA00038055281000002744
逐元素相加得到维度为
Figure BDA00038055281000002745
的特征图
Figure BDA00038055281000002746
g-9)将特征图
Figure BDA0003805528100000281
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA0003805528100000282
的特征图
Figure BDA0003805528100000283
第一卷积层进行升维操作，第二卷积层进行通道扩张，将特征图
Figure BDA0003805528100000284
依次输入到第一全局最大池化层和第一全局平均池化层利用通道注意力提取通道特征后输出得到维度为
Figure BDA0003805528100000285
的特征图
Figure BDA0003805528100000286
将特征图
Figure BDA0003805528100000287
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA0003805528100000288
的空间注意力特征图
Figure BDA0003805528100000289
将空间注意力特征图
Figure BDA00038055281000002810
输入到第四卷积层中进行降维，输出得到维度为
Figure BDA00038055281000002811
的特征图
Figure BDA00038055281000002812
将特征图
Figure BDA00038055281000002813
与特征图
Figure BDA00038055281000002814
逐元素相加得到维度为
Figure BDA00038055281000002815
的特征图
Figure BDA00038055281000002816
g-10)将特征图
Figure BDA00038055281000002817
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA00038055281000002818
的特征图
Figure BDA00038055281000002819
第一卷积层进行升维操作，第二卷积层进行通道扩张，将特征图
Figure BDA00038055281000002820
依次输入到第一全局最大池化层和第一全局平均池化层利用通道注意力提取通道特征后输出得到维度为
Figure BDA00038055281000002821
的特征图
Figure BDA00038055281000002822
将特征图
Figure BDA00038055281000002823
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA00038055281000002824
的空间注意力特征图
Figure BDA00038055281000002825
将空间注意力特征图
Figure BDA00038055281000002826
输入到第四卷积层中进行降维，输出得到维度为
Figure BDA00038055281000002827
的特征图
Figure BDA00038055281000002828
将特征图
Figure BDA00038055281000002829
与特征图
Figure BDA00038055281000002830
逐元素相加得到维度为
Figure BDA00038055281000002831
的特征图
Figure BDA00038055281000002832
g-11)将特征图
Figure BDA00038055281000002833
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA00038055281000002834
的特征图
Figure BDA00038055281000002835
第一卷积层进行升维操作，第二卷积层进行通道扩张，将特征图
Figure BDA00038055281000002836
依次输入到第一全局最大池化层和第一全局平均池化层利用通道注意力提取通道特征后输出得到维度为
Figure BDA00038055281000002837
的特征图
Figure BDA00038055281000002838
将特征图
Figure BDA00038055281000002839
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA00038055281000002840
的空间注意力特征图
Figure BDA00038055281000002841
将空间注意力特征图
Figure BDA00038055281000002842
输入到第四卷积层中进行降维，输出得到维度为
Figure BDA00038055281000002843
的特征图
Figure BDA00038055281000002844
将特征图
Figure BDA00038055281000002845
与特征图
Figure BDA00038055281000002846
逐元素相加得到维度为
Figure BDA00038055281000002847
的特征图
Figure BDA00038055281000002848
g-12)将特征图
Figure BDA0003805528100000291
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA0003805528100000292
的特征图
Figure BDA0003805528100000293
第一卷积层进行升维操作，第二卷积层进行通道扩张，将特征图
Figure BDA0003805528100000294
依次输入到第一全局最大池化层和第一全局平均池化层利用通道注意力提取通道特征后输出得到维度为
Figure BDA0003805528100000295
的特征图
Figure BDA0003805528100000296
将特征图
Figure BDA0003805528100000297
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA0003805528100000298
的空间注意力特征图
Figure BDA0003805528100000299
将空间注意力特征图
Figure BDA00038055281000002910
输入到第四卷积层中进行降维，输出得到维度为
Figure BDA00038055281000002911
的特征图
Figure BDA00038055281000002912
将特征图
Figure BDA00038055281000002913
与特征图
Figure BDA00038055281000002914
逐元素相加得到维度为
Figure BDA00038055281000002915
的特征图
Figure BDA00038055281000002916
g-13)将特征图
Figure BDA00038055281000002917
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA00038055281000002918
的特征图
Figure BDA00038055281000002919
第一卷积层进行升维操作，第二卷积层进行通道扩张，将特征图
Figure BDA00038055281000002920
依次输入到第一全局最大池化层和第一全局平均池化层利用通道注意力提取通道特征后输出得到维度为
Figure BDA00038055281000002921
的特征图
Figure BDA00038055281000002922
将特征图
Figure BDA00038055281000002923
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA00038055281000002924
的空间注意力特征图
Figure BDA00038055281000002925
将空间注意力特征图
Figure BDA00038055281000002926
输入到第四卷积层中进行降维，输出得到维度为
Figure BDA00038055281000002927
的特征图
Figure BDA00038055281000002928
将特征图
Figure BDA00038055281000002929
与特征图
Figure BDA00038055281000002930
逐元素相加得到维度为
Figure BDA00038055281000002931
的特征图
Figure BDA00038055281000002932
g-14)将特征图
Figure BDA00038055281000002933
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA00038055281000002934
的特征图
Figure BDA00038055281000002935
第一卷积层进行升维操作，第二卷积层进行通道扩张，将特征图
Figure BDA00038055281000002936
依次输入到第一全局最大池化层和第一全局平均池化层利用通道注意力提取通道特征后输出得到维度为
Figure BDA00038055281000002937
的特征图
Figure BDA00038055281000002938
将特征图
Figure BDA00038055281000002939
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA00038055281000002940
的空间注意力特征图
Figure BDA00038055281000002941
将空间注意力特征图
Figure BDA00038055281000002942
输入到第四卷积层中进行降维，输出得到维度为
Figure BDA00038055281000002943
的特征图
Figure BDA00038055281000002944
将特征图
Figure BDA00038055281000002945
与特征图
Figure BDA00038055281000002946
逐元素相加得到维度为
Figure BDA00038055281000002947
的特征图
Figure BDA00038055281000002948
g-15)将特征图
Figure BDA0003805528100000301
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA0003805528100000302
的特征图
Figure BDA0003805528100000303
第一卷积层进行升维操作，第二卷积层进行通道扩张，将特征图
Figure BDA0003805528100000304
依次输入到第一全局最大池化层和第一全局平均池化层利用通道注意力提取通道特征后输出得到维度为
Figure BDA0003805528100000305
的特征图
Figure BDA0003805528100000306
将特征图
Figure BDA0003805528100000307
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA0003805528100000308
的空间注意力特征图
Figure BDA0003805528100000309
将空间注意力特征图
Figure BDA00038055281000003010
输入到第四卷积层中进行降维，输出得到维度为
Figure BDA00038055281000003011
的特征图
Figure BDA00038055281000003012
将特征图
Figure BDA00038055281000003013
与特征图
Figure BDA00038055281000003014
逐元素相加得到维度为
Figure BDA00038055281000003015
的特征图
Figure BDA00038055281000003016
g-16)将特征图
Figure BDA00038055281000003017
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA00038055281000003018
的特征图
Figure BDA00038055281000003019
第一卷积层进行升维操作，第二卷积层进行通道扩张，将特征图
Figure BDA00038055281000003020
依次输入到第一全局最大池化层和第一全局平均池化层利用通道注意力提取通道特征后输出得到维度为
Figure BDA00038055281000003021
的特征图
Figure BDA00038055281000003022
将特征图
Figure BDA00038055281000003023
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA00038055281000003024
的空间注意力特征图
Figure BDA00038055281000003025
将空间注意力特征图
Figure BDA00038055281000003026
输入到第四卷积层中进行降维，输出得到维度为
Figure BDA00038055281000003027
的特征图
Figure BDA00038055281000003028
将特征图
Figure BDA00038055281000003029
与特征图
Figure BDA00038055281000003030
逐元素相加得到维度为
Figure BDA00038055281000003031
的特征图
Figure BDA00038055281000003032
g-17)将特征图
Figure BDA00038055281000003033
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure BDA00038055281000003034
的特征图
Figure BDA00038055281000003035
第一卷积层进行升维操作，第二卷积层进行通道扩张，将特征图
Figure BDA00038055281000003036
依次输入到第一全局最大池化层和第一全局平均池化层利用通道注意力提取通道特征后输出得到维度为
Figure BDA00038055281000003037
的特征图
Figure BDA00038055281000003038
将特征图
Figure BDA00038055281000003039
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure BDA00038055281000003040
的空间注意力特征图
Figure BDA00038055281000003041
将空间注意力特征图
Figure BDA00038055281000003042
输入到第四卷积层中进行降维，输出得到维度为
Figure BDA00038055281000003043
的特征图
Figure BDA00038055281000003044
将特征图
Figure BDA00038055281000003045
与特征图
Figure BDA00038055281000003046
逐元素相加得到维度为
Figure BDA00038055281000003047
的特征图
Figure BDA00038055281000003048
实施例5：
我们将利用CBAM-MBConv模块进行特征提取的最终特征图Y81由任务一的特征图
Figure BDA0003805528100000311
和任务二的特征图
Figure BDA0003805528100000312
组成，输入到全局池化层进行最后的输出，将全局池化层修改成两个输出分支，其中粗粒度分支用Ya表示，细粒度分支用Yb表示，具体的步骤h)中通过公式：
Figure BDA0003805528100000313
计算第i个结果yai，式中Hai为第i个结果yai的高，Wai为第i个结果yai的宽、Cai为第i个结果yai的通道数，通过公式
Figure BDA0003805528100000314
计算第j个结果ybj，式中Hbj为第j个结果ybj的高，Wbj为第j个结果ybj的宽、Cbj为第j个结果ybj的通道数。
实施例6：
模型是通过损失函数进行优化的，由于本发明是由两个任务组成，一个粗粒度分支，一个细粒度分支，因此我们并不能仅仅只是使用单任务的损失函数进行优化，需要对损失函数进行改进使其更适合多任务神经网络。因此，还包括在步骤h)后执行如下步骤：
i)通过公式
Figure BDA0003805528100000315
计算得到损失函数L，式中λ和β均为权重，λ+β＝1，softmax(·)为softmax激活函数。
j)利用损失函数L通过优化函数Adam更新步骤e)中MTEF-NET网络模型的参数，经过100次训练，保存训练模型和参数。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于多任务MTEF-NET的心电分类方法，其特征在于，包括：
a)从MIT-BIH心率失常数据库中获取原始心电信号X＝{x1,x2,....,xi,...,xn}，其中xi为第i条原始心电信号，i∈{1,...,n}，n为原始心电信号的总数；
b)对原始心电信号X进行预处理，去除原始心电信号X中的噪音，得到干净的心电信号U＝{u1,u2,....,ui,...,un}，其中ui为第i条原始心电信号，i∈{1,...,n}；
c)利用连续小波变换将干净的心电信号U转换为二维图像数据集Y＝{y1,y2,....,yi,...,yn}，其中yi为第i个二维图像，i∈{1,...,n}，二维图像yi的高为H、宽为W、通道数为C，其维度为H*W*C；
d)将二维图像数据集Y按50％与50％的等比例划分，第一个划分后的数据集为用于检测心电信号是否正常的数据集
Figure FDA0003805528090000011
其中
Figure FDA0003805528090000012
为第i个二维图像，
Figure FDA0003805528090000013
第二个划分后的数据集中将小波变换后的图像进行镜像或倒置处理，得到用于判断该心电信号具体类型的数据集
Figure FDA0003805528090000014
其中
Figure FDA0003805528090000015
为第j个二维图像，
Figure FDA0003805528090000016
e)建立MTEF-NET网络模型，该MTEF-NET网络模型依次由卷积层、CBAM-MBConv1模块、第一CBAM-MBConv6模块、第二CBAM-MBConv6模块、第三CBAM-MBConv6模块、第四CBAM-MBConv6模块、第五CBAM-MBConv6模块、第六CBAM-MBConv6模块、第七CBAM-MBConv6模块、第八CBAM-MBConv6模块、第九CBAM-MBConv6模块、第十CBAM-MBConv6模块、第十一CBAM-MBConv6模块、第十二CBAM-MBConv6模块、第十三CBAM-MBConv6模块、十四一CBAM-MBConv6模块及第十五CBAM-MBConv6模块及全局池化层构成；
f)将数据集Y1中每一个二维图像输入到MTEF-NET网络模型中输出得到特征图集
Figure FDA0003805528090000021
其中
Figure FDA0003805528090000022
为第i个二维图像，
Figure FDA0003805528090000023
二维图像
Figure FDA0003805528090000024
的维度为
Figure FDA0003805528090000025
g)将数据集Y2中每一个二维图像输入到MTEF-NET网络模型中输出得到特征图集
Figure FDA0003805528090000026
其中
Figure FDA0003805528090000027
为第j个二维图像，
Figure FDA0003805528090000028
二维图像
Figure FDA0003805528090000029
的维度为
Figure FDA00038055280900000210
h)将特征图集
Figure FDA00038055280900000211
输入到MTEF-NET网络模型的全局池化层中，输出得到心电信号分类结果
Figure FDA00038055280900000212
其中yai为第i个结果，
Figure FDA00038055280900000213
将特征图集
Figure FDA00038055280900000214
输入到MTEF-NET网络模型的全局池化层中，输出得到心电信号分类结果
Figure FDA00038055280900000215
其中ybj为第j个结果，
Figure FDA00038055280900000216
2.根据权利要求1所述的基于多任务MTEF-NET的心电分类方法，其特征在于：步骤b)中使用两个中值滤波器去除原始心电信号X＝{x1,x2,....,xi,...,xn}中的噪音，得到干净的心电信号U＝{u1,u2,....,ui,...,un}，其中第一个中值滤波器的宽度为300ms，第二个中值滤波器的宽度为600ms。
3.根据权利要求1所述的基于多任务MTEF-NET的心电分类方法，其特征在于：步骤c)中通过公式
Figure FDA0003805528090000031
计算得到第i个二维图像yi，式中a为转换尺度，b为平移因子，φ(·)为母小波。
4.根据权利要求1所述的基于多任务MTEF-NET的心电分类方法，其特征在于，步骤f)包括如下步骤：
f-1)将二维图像
Figure FDA0003805528090000032
输入到MTEF-NET网络模型中，进入卷积核大小为3*3的卷积层中，输出得到维度为
Figure FDA0003805528090000033
的特征图
Figure FDA0003805528090000034
f-2)CBAM-MBConv1模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为3*3且扩张比例为1的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure FDA0003805528090000035
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure FDA0003805528090000036
的特征图
Figure FDA0003805528090000037
将特征图
Figure FDA0003805528090000038
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure FDA0003805528090000039
的特征图
Figure FDA00038055280900000310
将特征图
Figure FDA00038055280900000312
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure FDA00038055280900000313
的空间注意力特征图
Figure FDA00038055280900000314
将空间注意力特征图
Figure FDA00038055280900000315
输入到第四卷积层中输出得到维度为
Figure FDA00038055280900000316
的特征图
Figure FDA00038055280900000317
将特征图
Figure FDA00038055280900000318
与特征图
Figure FDA00038055280900000319
逐元素相加得到维度为
Figure FDA00038055280900000320
的特征图
Figure FDA00038055280900000321
f-3)第一CBAM-MBConv6模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为3*3且扩张比例为6的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure FDA00038055280900000322
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure FDA00038055280900000323
的特征图
Figure FDA00038055280900000324
将特征图
Figure FDA00038055280900000325
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure FDA0003805528090000041
的特征图
Figure FDA0003805528090000042
将特征图
Figure FDA0003805528090000043
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure FDA0003805528090000044
的空间注意力特征图
Figure FDA0003805528090000045
将空间注意力特征图
Figure FDA0003805528090000046
输入到第四卷积层中输出得到维度为
Figure FDA0003805528090000047
的特征图
Figure FDA0003805528090000048
将特征图
Figure FDA0003805528090000049
与特征图
Figure FDA00038055280900000410
逐元素相加得到维度为
Figure FDA00038055280900000411
的特征图
Figure FDA00038055280900000412
f-4)第二CBAM-MBConv6模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为3*3且扩张比例为6的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure FDA00038055280900000413
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure FDA00038055280900000414
的特征图
Figure FDA00038055280900000415
将特征图
Figure FDA00038055280900000416
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure FDA00038055280900000417
的特征图
Figure FDA00038055280900000418
将特征图
Figure FDA00038055280900000419
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure FDA00038055280900000420
的空间注意力特征图
Figure FDA00038055280900000421
将空间注意力特征图
Figure FDA00038055280900000422
输入到第四卷积层中输出得到维度为
Figure FDA00038055280900000423
的特征图
Figure FDA00038055280900000424
将特征图
Figure FDA00038055280900000425
与特征图
Figure FDA00038055280900000426
逐元素相加得到维度为
Figure FDA00038055280900000427
的特征图
Figure FDA00038055280900000428
f-5)第三CBAM-MBConv6模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为5*5且扩张比例为6的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure FDA00038055280900000429
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure FDA00038055280900000430
的特征图
Figure FDA00038055280900000431
将特征图
Figure FDA00038055280900000432
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure FDA0003805528090000051
的特征图
Figure FDA0003805528090000052
将特征图
Figure FDA0003805528090000053
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure FDA0003805528090000054
的空间注意力特征图
Figure FDA0003805528090000055
将空间注意力特征图
Figure FDA0003805528090000056
输入到第四卷积层中输出得到维度为
Figure FDA0003805528090000057
的特征图
Figure FDA0003805528090000058
将特征图
Figure FDA0003805528090000059
与特征图
Figure FDA00038055280900000510
逐元素相加得到维度为
Figure FDA00038055280900000511
的特征图
Figure FDA00038055280900000512
f-6)第四CBAM-MBConv6模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为5*5且扩张比例为6的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure FDA00038055280900000513
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure FDA00038055280900000514
的特征图
Figure FDA00038055280900000515
将特征图
Figure FDA00038055280900000516
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure FDA00038055280900000517
的特征图
Figure FDA00038055280900000518
将特征图
Figure FDA00038055280900000519
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure FDA00038055280900000520
的空间注意力特征图
Figure FDA00038055280900000521
将空间注意力特征图
Figure FDA00038055280900000522
输入到第四卷积层中输出得到维度为
Figure FDA00038055280900000523
的特征图
Figure FDA00038055280900000524
将特征图
Figure FDA00038055280900000525
与特征图
Figure FDA00038055280900000526
逐元素相加得到维度为
Figure FDA00038055280900000527
的特征图
Figure FDA00038055280900000528
f-7)第五CBAM-MBConv6模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为3*3且扩张比例为6的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure FDA00038055280900000529
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure FDA00038055280900000530
的特征图
Figure FDA00038055280900000531
将特征图
Figure FDA00038055280900000532
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure FDA0003805528090000061
的特征图
Figure FDA0003805528090000062
将特征图
Figure FDA0003805528090000063
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure FDA0003805528090000064
的空间注意力特征图
Figure FDA0003805528090000065
将空间注意力特征图
Figure FDA0003805528090000066
输入到第四卷积层中输出得到维度为
Figure FDA0003805528090000067
的特征图
Figure FDA0003805528090000068
将特征图
Figure FDA0003805528090000069
与特征图
Figure FDA00038055280900000610
逐元素相加得到维度为
Figure FDA00038055280900000611
的特征图
Figure FDA00038055280900000612
f-8)第六CBAM-MBConv6模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为3*3且扩张比例为6的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure FDA00038055280900000613
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure FDA00038055280900000614
的特征图
Figure FDA00038055280900000615
将特征图
Figure FDA00038055280900000616
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure FDA00038055280900000617
的特征图
Figure FDA00038055280900000618
将特征图
Figure FDA00038055280900000619
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure FDA00038055280900000620
的空间注意力特征图
Figure FDA00038055280900000621
将空间注意力特征图
Figure FDA00038055280900000622
输入到第四卷积层中输出得到维度为
Figure FDA00038055280900000623
的特征图
Figure FDA00038055280900000624
将特征图
Figure FDA00038055280900000625
与特征图
Figure FDA00038055280900000626
逐元素相加得到维度为
Figure FDA00038055280900000627
的特征图
Figure FDA00038055280900000628
f-9)第七CBAM-MBConv6模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为3*3且扩张比例为6的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure FDA00038055280900000629
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure FDA00038055280900000630
的特征图
Figure FDA00038055280900000631
将特征图
Figure FDA00038055280900000632
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure FDA0003805528090000071
的特征图
Figure FDA0003805528090000072
将特征图
Figure FDA0003805528090000073
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure FDA0003805528090000074
的空间注意力特征图
Figure FDA0003805528090000075
将空间注意力特征图
Figure FDA0003805528090000076
输入到第四卷积层中输出得到维度为
Figure FDA0003805528090000077
的特征图
Figure FDA0003805528090000078
将特征图
Figure FDA0003805528090000079
与特征图
Figure FDA00038055280900000710
逐元素相加得到维度为
Figure FDA00038055280900000711
的特征图
Figure FDA00038055280900000712
f-10)第八CBAM-MBConv6模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为5*5且扩张比例为6的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure FDA00038055280900000713
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure FDA00038055280900000714
的特征图
Figure FDA00038055280900000715
将特征图
Figure FDA00038055280900000716
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure FDA00038055280900000717
的特征图
Figure FDA00038055280900000718
将特征图
Figure FDA00038055280900000719
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure FDA00038055280900000720
的空间注意力特征图
Figure FDA00038055280900000721
将空间注意力特征图
Figure FDA00038055280900000722
输入到第四卷积层中输出得到维度为
Figure FDA00038055280900000723
的特征图
Figure FDA00038055280900000724
将特征图
Figure FDA00038055280900000725
与特征图
Figure FDA00038055280900000726
逐元素相加得到维度为
Figure FDA00038055280900000727
的特征图
Figure FDA00038055280900000728
f-11)第九CBAM-MBConv6模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为5*5且扩张比例为6的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure FDA00038055280900000729
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure FDA00038055280900000730
的特征图
Figure FDA00038055280900000731
将特征图
Figure FDA00038055280900000732
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure FDA0003805528090000081
的特征图
Figure FDA0003805528090000082
将特征图
Figure FDA0003805528090000083
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure FDA0003805528090000084
的空间注意力特征图
Figure FDA0003805528090000085
将空间注意力特征图
Figure FDA0003805528090000086
输入到第四卷积层中输出得到位密度为
Figure FDA0003805528090000088
的特征图
Figure FDA0003805528090000089
将特征图
Figure FDA00038055280900000810
与特征图
Figure FDA00038055280900000811
逐元素相加得到维度为
Figure FDA00038055280900000812
的特征图
Figure FDA00038055280900000813
f-12)第十CBAM-MBConv6模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为5*5且扩张比例为6的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure FDA00038055280900000814
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure FDA00038055280900000815
的特征图
Figure FDA00038055280900000816
将特征图
Figure FDA00038055280900000817
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure FDA00038055280900000818
的特征图
Figure FDA00038055280900000819
将特征图
Figure FDA00038055280900000820
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure FDA00038055280900000821
的空间注意力特征图
Figure FDA00038055280900000822
将空间注意力特征图
Figure FDA00038055280900000823
输入到第四卷积层中输出得到维度为
Figure FDA00038055280900000824
的特征图
Figure FDA00038055280900000825
将特征图
Figure FDA00038055280900000826
与特征图
Figure FDA00038055280900000827
逐元素相加得到维度为
Figure FDA00038055280900000828
的特征图
Figure FDA00038055280900000829
f-13)第十一CBAM-MBConv6模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为5*5且扩张比例为6的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure FDA00038055280900000830
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure FDA00038055280900000831
的特征图
Figure FDA00038055280900000832
将特征图
Figure FDA00038055280900000833
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure FDA0003805528090000091
的特征图
Figure FDA0003805528090000092
将特征图
Figure FDA0003805528090000093
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure FDA0003805528090000094
的空间注意力特征图
Figure FDA0003805528090000095
将空间注意力特征图
Figure FDA0003805528090000096
输入到第四卷积层中输出得到维度为
Figure FDA0003805528090000097
的特征图
Figure FDA0003805528090000098
将特征图
Figure FDA0003805528090000099
与特征图
Figure FDA00038055280900000910
逐元素相加得到维度为
Figure FDA00038055280900000911
的特征图
Figure FDA00038055280900000912
f-14)第十二CBAM-MBConv6模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为5*5且扩张比例为6的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure FDA00038055280900000913
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure FDA00038055280900000914
的特征图
Figure FDA00038055280900000915
将特征图
Figure FDA00038055280900000916
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure FDA00038055280900000917
的特征图
Figure FDA00038055280900000918
将特征图
Figure FDA00038055280900000919
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure FDA00038055280900000920
的空间注意力特征图
Figure FDA00038055280900000921
将空间注意力特征图
Figure FDA00038055280900000922
输入到第四卷积层中输出得到维度为
Figure FDA00038055280900000923
的特征图
Figure FDA00038055280900000924
将特征图
Figure FDA00038055280900000925
与特征图
Figure FDA00038055280900000926
逐元素相加得到维度为
Figure FDA00038055280900000927
的特征图
Figure FDA00038055280900000928
f-15)第十三CBAM-MBConv6模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为5*5且扩张比例为6的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure FDA00038055280900000929
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure FDA00038055280900000930
的特征图
Figure FDA00038055280900000931
将特征图
Figure FDA00038055280900000932
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure FDA0003805528090000101
的特征图
Figure FDA0003805528090000102
将特征图
Figure FDA0003805528090000103
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure FDA0003805528090000104
的空间注意力特征图
Figure FDA0003805528090000105
将空间注意力特征图
Figure FDA0003805528090000106
输入到第四卷积层中输出得到维度为
Figure FDA0003805528090000107
的特征图
Figure FDA0003805528090000108
将特征图
Figure FDA0003805528090000109
与特征图
Figure FDA00038055280900001010
逐元素相加得到维度为
Figure FDA00038055280900001011
的特征图
Figure FDA00038055280900001012
f-16)第十四CBAM-MBConv6模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为5*5且扩张比例为6的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure FDA00038055280900001013
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure FDA00038055280900001014
的特征图
Figure FDA00038055280900001015
将特征图
Figure FDA00038055280900001016
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure FDA00038055280900001017
的特征图
Figure FDA00038055280900001018
将特征图
Figure FDA00038055280900001019
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure FDA00038055280900001020
的空间注意力特征图
Figure FDA00038055280900001021
将空间注意力特征图
Figure FDA00038055280900001022
输入到第四卷积层中输出得到维度为
Figure FDA00038055280900001023
的特征图
Figure FDA00038055280900001024
将特征图
Figure FDA00038055280900001025
与特征图
Figure FDA00038055280900001026
逐元素相加得到维度为
Figure FDA00038055280900001027
的特征图
Figure FDA00038055280900001028
f-17)第十五CBAM-MBConv6模块依次由卷积核大小为1*1的第一卷积层、卷积核大小为3*3且扩张比例为6的第二卷积层、第一全局最大池化层、第一全局平均池化层、第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层、sigmoid激活函数层、卷积核大小为1*1的第四卷积层构成，将特征图
Figure FDA00038055280900001029
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure FDA00038055280900001030
的特征图
Figure FDA00038055280900001031
将特征图
Figure FDA00038055280900001032
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure FDA0003805528090000111
的特征图
Figure FDA0003805528090000112
将特征图
Figure FDA0003805528090000113
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure FDA0003805528090000114
的空间注意力特征图
Figure FDA0003805528090000115
将空间注意力特征图
Figure FDA0003805528090000116
输入到第四卷积层中输出得到维度为
Figure FDA0003805528090000117
的特征图
Figure FDA0003805528090000118
将特征图
Figure FDA0003805528090000119
与特征图
Figure FDA00038055280900001110
逐元素相加得到维度为
Figure FDA00038055280900001111
的特征图
Figure FDA00038055280900001112
5.根据权利要求4所述的基于多任务MTEF-NET的心电分类方法，其特征在于，步骤g)包括如下步骤：
g-1)将二维图像
Figure FDA00038055280900001113
输入到MTEF-NET网络模型中，进入卷积核大小为3*3的卷积层中，输出得到维度为
Figure FDA00038055280900001114
的特征图
Figure FDA00038055280900001115
g-2)将特征图
Figure FDA00038055280900001116
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure FDA00038055280900001117
的特征图
Figure FDA00038055280900001118
将特征图
Figure FDA00038055280900001119
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure FDA00038055280900001120
的特征图
Figure FDA00038055280900001121
将特征图
Figure FDA00038055280900001122
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure FDA00038055280900001123
的空间注意力特征图
Figure FDA00038055280900001124
将空间注意力特征图
Figure FDA00038055280900001125
输入到第四卷积层中输出得到维度为
Figure FDA00038055280900001126
的特征图
Figure FDA00038055280900001127
将特征图
Figure FDA00038055280900001128
与特征图
Figure FDA00038055280900001129
逐元素相加得到维度为
Figure FDA00038055280900001130
的特征图
Figure FDA00038055280900001131
g-3)将特征图
Figure FDA00038055280900001132
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure FDA00038055280900001133
的特征图
Figure FDA00038055280900001134
将特征图
Figure FDA00038055280900001135
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure FDA00038055280900001136
的特征图
Figure FDA00038055280900001137
将特征图
Figure FDA00038055280900001138
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure FDA0003805528090000121
的空间注意力特征图
Figure FDA0003805528090000122
将空间注意力特征图
Figure FDA0003805528090000123
输入到第四卷积层中输出得到维度为
Figure FDA0003805528090000124
的特征图
Figure FDA0003805528090000125
将特征图
Figure FDA0003805528090000126
与特征图
Figure FDA0003805528090000127
逐元素相加得到维度为
Figure FDA0003805528090000128
的特征图
Figure FDA0003805528090000129
g-4)将特征图
Figure FDA00038055280900001210
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure FDA00038055280900001211
的特征图
Figure FDA00038055280900001212
将特征图
Figure FDA00038055280900001213
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure FDA00038055280900001214
的特征图
Figure FDA00038055280900001215
将特征图
Figure FDA00038055280900001216
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure FDA00038055280900001217
的空间注意力特征图
Figure FDA00038055280900001218
将空间注意力特征图
Figure FDA00038055280900001219
输入到第四卷积层中输出得到维度为
Figure FDA00038055280900001220
的特征图
Figure FDA00038055280900001221
将特征图
Figure FDA00038055280900001222
与特征图
Figure FDA00038055280900001223
逐元素相加得到维度为
Figure FDA00038055280900001224
的特征图
Figure FDA00038055280900001225
g-5)将特征图
Figure FDA00038055280900001226
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure FDA00038055280900001227
的特征图
Figure FDA00038055280900001228
将特征图
Figure FDA00038055280900001229
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure FDA00038055280900001230
的特征图
Figure FDA00038055280900001231
将特征图
Figure FDA00038055280900001232
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure FDA00038055280900001233
的空间注意力特征图
Figure FDA00038055280900001234
将空间注意力特征图
Figure FDA00038055280900001235
输入到第四卷积层中输出得到维度为
Figure FDA00038055280900001236
的特征图
Figure FDA00038055280900001237
将特征图
Figure FDA00038055280900001238
与特征图
Figure FDA00038055280900001239
逐元素相加得到维度为
Figure FDA00038055280900001240
的特征图
Figure FDA00038055280900001241
g-6)将特征图
Figure FDA00038055280900001242
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure FDA00038055280900001243
的特征图
Figure FDA00038055280900001244
将特征图
Figure FDA00038055280900001245
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure FDA0003805528090000131
的特征图
Figure FDA0003805528090000132
将特征图
Figure FDA0003805528090000133
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure FDA0003805528090000134
的空间注意力特征图
Figure FDA0003805528090000135
将空间注意力特征图
Figure FDA0003805528090000136
输入到第四卷积层中输出得到维度为
Figure FDA0003805528090000137
的特征图
Figure FDA0003805528090000138
将特征图
Figure FDA0003805528090000139
与特征图
Figure FDA00038055280900001310
逐元素相加得到维度为
Figure FDA00038055280900001311
的特征图
Figure FDA00038055280900001312
g-7)将特征图
Figure FDA00038055280900001313
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure FDA00038055280900001314
的特征图
Figure FDA00038055280900001315
将特征图
Figure FDA00038055280900001316
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure FDA00038055280900001317
的特征图
Figure FDA00038055280900001318
将特征图
Figure FDA00038055280900001319
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure FDA00038055280900001320
的空间注意力特征图yj,29，将空间注意力特征图yj,29输入到第四卷积层中输出得到维度为
Figure FDA00038055280900001321
的特征图
Figure FDA00038055280900001322
将特征图
Figure FDA00038055280900001323
与特征图
Figure FDA00038055280900001324
逐元素相加得到维度为
Figure FDA00038055280900001325
的特征图
Figure FDA00038055280900001326
g-8)将特征图
Figure FDA00038055280900001327
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure FDA00038055280900001328
的特征图
Figure FDA00038055280900001329
将特征图
Figure FDA00038055280900001330
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure FDA00038055280900001331
的特征图
Figure FDA00038055280900001332
将特征图
Figure FDA00038055280900001333
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure FDA00038055280900001334
的空间注意力特征图
Figure FDA00038055280900001335
将空间注意力特征图
Figure FDA00038055280900001336
输入到第四卷积层中输出得到维度为
Figure FDA00038055280900001337
的特征图
Figure FDA00038055280900001338
将特征图
Figure FDA00038055280900001339
与特征图
Figure FDA00038055280900001340
逐元素相加得到维度为
Figure FDA00038055280900001341
的特征图
Figure FDA00038055280900001342
g-9)将特征图
Figure FDA0003805528090000141
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure FDA0003805528090000142
的特征图
Figure FDA0003805528090000143
将特征图
Figure FDA0003805528090000144
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure FDA0003805528090000145
的特征图
Figure FDA0003805528090000146
将特征图
Figure FDA0003805528090000147
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure FDA0003805528090000148
的空间注意力特征图
Figure FDA0003805528090000149
将空间注意力特征图
Figure FDA00038055280900001410
输入到第四卷积层中输出得到维度为
Figure FDA00038055280900001411
的特征图
Figure FDA00038055280900001412
将特征图
Figure FDA00038055280900001413
与特征图
Figure FDA00038055280900001414
逐元素相加得到维度为
Figure FDA00038055280900001415
的特征图
Figure FDA00038055280900001416
g-10)将特征图
Figure FDA00038055280900001417
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure FDA00038055280900001418
的特征图
Figure FDA00038055280900001419
将特征图
Figure FDA00038055280900001420
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure FDA00038055280900001421
的特征图
Figure FDA00038055280900001422
将特征图
Figure FDA00038055280900001423
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure FDA00038055280900001424
的空间注意力特征图
Figure FDA00038055280900001425
将空间注意力特征图
Figure FDA00038055280900001426
输入到第四卷积层中输出得到维度为
Figure FDA00038055280900001427
的特征图
Figure FDA00038055280900001428
将特征图
Figure FDA00038055280900001429
与特征图
Figure FDA00038055280900001430
逐元素相加得到维度为
Figure FDA00038055280900001431
的特征图
Figure FDA00038055280900001432
g-11)将特征图
Figure FDA00038055280900001433
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure FDA00038055280900001434
的特征图
Figure FDA00038055280900001435
将特征图
Figure FDA00038055280900001436
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure FDA00038055280900001437
的特征图
Figure FDA00038055280900001438
将特征图
Figure FDA00038055280900001439
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure FDA00038055280900001440
的空间注意力特征图
Figure FDA00038055280900001441
将空间注意力特征图
Figure FDA00038055280900001442
输入到第四卷积层中输出得到维度为
Figure FDA0003805528090000151
的特征图
Figure FDA0003805528090000152
将特征图
Figure FDA0003805528090000153
与特征图
Figure FDA0003805528090000154
逐元素相加得到维度为
Figure FDA0003805528090000155
的特征图
Figure FDA0003805528090000156
g-12)将特征图
Figure FDA0003805528090000157
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure FDA0003805528090000158
的特征图
Figure FDA0003805528090000159
将特征图
Figure FDA00038055280900001510
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure FDA00038055280900001511
的特征图
Figure FDA00038055280900001512
将特征图
Figure FDA00038055280900001513
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure FDA00038055280900001514
的空间注意力特征图
Figure FDA00038055280900001515
将空间注意力特征图
Figure FDA00038055280900001516
输入到第四卷积层中输出得到维度为
Figure FDA00038055280900001517
的特征图
Figure FDA00038055280900001518
将特征图
Figure FDA00038055280900001519
与特征图
Figure FDA00038055280900001520
逐元素相加得到维度为
Figure FDA00038055280900001521
的特征图
Figure FDA00038055280900001522
g-13)将特征图
Figure FDA00038055280900001523
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure FDA00038055280900001524
的特征图
Figure FDA00038055280900001525
将特征图
Figure FDA00038055280900001526
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure FDA00038055280900001527
的特征图
Figure FDA00038055280900001528
将特征图
Figure FDA00038055280900001529
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure FDA00038055280900001530
的空间注意力特征图
Figure FDA00038055280900001531
将空间注意力特征图
Figure FDA00038055280900001532
输入到第四卷积层中输出得到维度为
Figure FDA00038055280900001533
的特征图
Figure FDA00038055280900001534
将特征图
Figure FDA00038055280900001535
与特征图
Figure FDA00038055280900001536
逐元素相加得到维度为
Figure FDA00038055280900001537
的特征图
Figure FDA00038055280900001538
g-14)将特征图
Figure FDA00038055280900001539
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure FDA00038055280900001540
的特征图
Figure FDA00038055280900001541
将特征图
Figure FDA00038055280900001542
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure FDA00038055280900001543
的特征图
Figure FDA00038055280900001544
将特征图
Figure FDA00038055280900001545
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure FDA0003805528090000161
的空间注意力特征图
Figure FDA0003805528090000162
将空间注意力特征图
Figure FDA0003805528090000163
输入到第四卷积层中输出得到维度为
Figure FDA0003805528090000164
的特征图
Figure FDA0003805528090000165
将特征图
Figure FDA0003805528090000166
与特征图
Figure FDA0003805528090000167
逐元素相加得到维度为
Figure FDA0003805528090000168
的特征图
Figure FDA0003805528090000169
g-15)将特征图
Figure FDA00038055280900001610
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure FDA00038055280900001611
的特征图
Figure FDA00038055280900001612
将特征图
Figure FDA00038055280900001613
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure FDA00038055280900001614
的特征图
Figure FDA00038055280900001615
将特征图
Figure FDA00038055280900001616
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure FDA00038055280900001617
的空间注意力特征图
Figure FDA00038055280900001618
将空间注意力特征图
Figure FDA00038055280900001619
输入到第四卷积层中输出得到维度为
Figure FDA00038055280900001620
的特征图
Figure FDA00038055280900001621
将特征图
Figure FDA00038055280900001622
与特征图
Figure FDA00038055280900001623
逐元素相加得到维度为
Figure FDA00038055280900001624
的特征图
Figure FDA00038055280900001625
g-16)将特征图
Figure FDA00038055280900001626
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure FDA00038055280900001627
的特征图
Figure FDA00038055280900001628
将特征图
Figure FDA00038055280900001629
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure FDA00038055280900001630
的特征图
Figure FDA00038055280900001631
将特征图
Figure FDA00038055280900001632
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure FDA00038055280900001633
的空间注意力特征图
Figure FDA00038055280900001634
将空间注意力特征图
Figure FDA00038055280900001635
输入到第四卷积层中输出得到维度为
Figure FDA00038055280900001636
的特征图
Figure FDA00038055280900001637
将特征图
Figure FDA00038055280900001638
与特征图
Figure FDA00038055280900001639
逐元素相加得到维度为
Figure FDA00038055280900001640
的特征图
Figure FDA00038055280900001641
g-17)将特征图
Figure FDA00038055280900001642
依次输入到第一卷积层和第二卷积层后输出得到维度为
Figure FDA00038055280900001643
的特征图
Figure FDA00038055280900001644
将特征图
Figure FDA00038055280900001645
依次输入到第一全局最大池化层和第一全局平均池化层后输出得到维度为
Figure FDA0003805528090000171
的特征图
Figure FDA0003805528090000172
将特征图
Figure FDA0003805528090000173
依次输入到第二全局最大池化层、第二全局平均池化层、卷积核大小为7*7的第三卷积层及sigmoid激活函数层后输出得到维度为
Figure FDA0003805528090000174
的空间注意力特征图
Figure FDA0003805528090000175
将空间注意力特征图
Figure FDA0003805528090000176
输入到第四卷积层中输出得到维度为
Figure FDA0003805528090000177
的特征图
Figure FDA0003805528090000178
将特征图
Figure FDA0003805528090000179
与特征图
Figure FDA00038055280900001710
逐元素相加得到维度为
Figure FDA00038055280900001711
的特征图
Figure FDA00038055280900001712
6.根据权利要求1所述的基于多任务MTEF-NET的心电分类方法，其特征在于：
步骤h)中通过公式
Figure FDA00038055280900001713
计算第i个结果yai，式中Hai为第i个结果yai的高，Wai为第i个结果yai的宽、Cai为第i个结果yai的通道数，通过公式
Figure FDA00038055280900001714
计算第j个结果ybj，式中Hbj为第j个结果ybj的高，Wbj为第j个结果ybj的宽、Cbj为第j个结果ybj的通道数。
7.根据权利要求1所述的基于多任务MTEF-NET的心电分类方法，其特征在于，还包括在步骤h)后执行如下步骤：
i)通过公式
Figure FDA0003805528090000181
计算得到损失函数L，式中λ和β均为权重，λ+β＝1，softmax(·)为softmax激活函数；
j)利用损失函数L通过优化函数Adam更新步骤e)中MTEF-NET网络模型的参数，经过100次训练，保存训练模型和参数。
CN202210996094.7A 2022-08-19 2022-08-19 一种基于多任务mtef-net的心电分类方法 Active CN115358270B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210996094.7A CN115358270B (zh) 2022-08-19 2022-08-19 一种基于多任务mtef-net的心电分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210996094.7A CN115358270B (zh) 2022-08-19 2022-08-19 一种基于多任务mtef-net的心电分类方法

Publications (2)

Publication Number Publication Date
CN115358270A true CN115358270A (zh) 2022-11-18
CN115358270B CN115358270B (zh) 2023-06-20

Family

ID=84002094

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210996094.7A Active CN115358270B (zh) 2022-08-19 2022-08-19 一种基于多任务mtef-net的心电分类方法

Country Status (1)

Country Link
CN (1) CN115358270B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110638430A (zh) * 2019-10-23 2020-01-03 苏州大学 多任务级联神经网络ecg信号心律失常疾病分类模型和方法
CN112674780A (zh) * 2020-12-23 2021-04-20 山东省人工智能研究院 一种心电图异常信号中的房颤信号自动检测方法
WO2022073452A1 (zh) * 2020-10-07 2022-04-14 武汉大学 一种基于自注意力上下文网络的高光谱遥感图像分类方法
CN114781445A (zh) * 2022-04-11 2022-07-22 山东省人工智能研究院 一种基于可解释性的深度神经网络的心电信号降噪方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110638430A (zh) * 2019-10-23 2020-01-03 苏州大学 多任务级联神经网络ecg信号心律失常疾病分类模型和方法
WO2022073452A1 (zh) * 2020-10-07 2022-04-14 武汉大学 一种基于自注意力上下文网络的高光谱遥感图像分类方法
CN112674780A (zh) * 2020-12-23 2021-04-20 山东省人工智能研究院 一种心电图异常信号中的房颤信号自动检测方法
CN114781445A (zh) * 2022-04-11 2022-07-22 山东省人工智能研究院 一种基于可解释性的深度神经网络的心电信号降噪方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MURAT CANAYAZ: "C + EffxNet: A novel hybrid approach for COVID-19 diagnosis on CT images based on CBAM and EfficientNet", 《ELSEVIER》, pages 1 - 10 *
XIAOYUN XIE ET AL: "A multi-stage denoising framework for ambulatory ECG signal based on domain knowledge and motion artifact detection", 《ELSEVIER》, pages 103 - 116 *
ZHENZHEN MAO ET AL: "Multi-views reinforced LSTM for video-based action recognition", 《JOURNAL OF ELECTRONIC IMAGING》, vol. 30, no. 5, pages 053021 - 1 *

Also Published As

Publication number Publication date
CN115358270B (zh) 2023-06-20

Similar Documents

Publication Publication Date Title
CN110236543B (zh) 基于深度学习的阿尔茨海默病多分类诊断***
Milligan A study of the beta-flexible clustering method
CN113888412B (zh) 一种用于糖尿病视网膜病变分类的图像超分辨率重建方法
CN114648048B (zh) 基于变分自编码和PixelCNN模型的心电信号降噪方法
CN115689008A (zh) 基于集合经验模态分解的CNN-BiLSTM短期光伏功率预测方法及其***
CN115239674B (zh) 基于多尺度判别的计算机血管造影成像合成方法
CN112634214A (zh) 一种结合节点属性与多层次拓扑的脑网络分类方法
CN115759186A (zh) 一种基于卷积神经网络的六类运动想象脑电信号分类方法
CN110327034B (zh) 一种基于深度特征融合网络的心动过速心电图的筛查方法
CN115130509A (zh) 基于条件式变分自编码器的心电信号生成方法
CN115358270A (zh) 一种基于多任务mtef-net的心电分类方法
CN106991651A (zh) 基于合成分析反卷积网络的快速成像方法及***
CN116597167B (zh) 一种永磁同步电机小样本退磁故障诊断方法、存储介质及***
Kwasigroch et al. Deep neural network architecture search using network morphism
Unnikrishnan et al. Semi-supervised and unsupervised methods for heart sounds classification in restricted data environments
CN116013501A (zh) 一种基于数据扩充的多模态心律失常分类辅助诊断***
CN114549962B (zh) 一种园林植物叶病分类方法
CN115363594A (zh) 一种基于循环神经网络的实时心脏疾病筛查方法
CN112132790B (zh) Dac-gan模型构建方法及在乳腺mr图像中的应用
Xiaoai et al. An overview of disease prediction based on graph convolutional neural network
CN114757911A (zh) 基于图神经网络和对比学习的磁共振影像辅助处理***
CN113963349A (zh) 一种提取个体空时特征矢量与被试细分类的方法
CN113936173A (zh) 一种最大化互信息的图像分类方法、设备、介质及***
CN112183848A (zh) 基于dwt-svqr集成的电力负荷概率预测方法
CN112085718B (zh) 一种基于孪生注意力网络的nafld超声视频诊断***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant