CN108606798B - 基于深度卷积残差网络的非接触式房颤智能检测系统 - Google Patents

Abstract

本发明的基于深度卷积残差网络的非接触式房颤智能检测系统能采集人体心脏射血时产生的心冲击信号并使用深度卷积残差网络分析心脏是否发生房颤，包括心冲击信号采集与深度卷积残差神经网络分析两部分。心冲击信号采集部分包括压电薄膜传感器、压电信号处理模块、AD转换电路与处理器。将采集到的数据上传至运行深度卷积残差网络算法的服务器，返回判断结果。深度卷积残差神经网络模型包括一维卷积层、下采样层、批归一化层、激活层及全连接层。模型包含的残差结构由原始信号和经过若干卷积采样归一化激活操作后提取的深度特征相加构成。本发明可用于对人体进行夜间不间断监护，并及时给出判断提示，便于及时处理病情。

Description

基于深度卷积残差网络的非接触式房颤智能检测系统

技术领域

本发明涉及人工智能技术和医疗监护技术领域，尤其涉及基于深度卷积残差网络的非接触式房颤智能检测系统。

背景技术

房颤是一种常见的快速心律失常疾病，多发于60岁以上的人群，且随着年龄的增长发生率成倍增加。心房颤动是指由于心房所至之处不规则且频繁兴奋而导致心房微细地震动而不能充分收缩的状态。房颤发生时心房泵血量下降，血流瘀滞容易形成血栓，可使患者的卒中发生率增高5倍，并且随着年龄的增加，这种风险还在不断增高。虽然房颤发生时心房在细微地震动，但心脏功能不会有明显下降，不少持续性房颤患者也可以生活、工作甚至运动，因此房颤疾病不易被及时发现。

目前诊断房颤的标准是心电图，但轻微房颤本身不易察觉，且阵发性房颤甚至需要长期监测才能被发现，佩戴心电监护装置需要粘贴电极片会影响被监护人正常生活休息，因此若没有重大身体不适，患者一般不会去医院做检查，需要有一种日常监护手段及早发现房颤症状。除此之外，在医院、社会福利院和养老院等机构中，心脏病人、老人、残障人士等在床时的生命体征监护十分必要。这些人群中可能存在发现不及时，被监护人病情加重、意外死亡等问题。诊断房颤除各种基于心电图的分析方法外，还有基于PPG或者血压计的依据脉搏波检测房颤设备，但这些设备仍然需要受试者穿戴或者粘贴传感器，不适合长时间尤其是夜间监护，且此类设备单次检测时间短，容易出现误判的问题。

综上需要一种在非医疗条件下，操作简便，对受试者影响小，甚至无察觉，且能在夜间长期监护的房颤监护设备，帮助需要的人群及早发现房颤问题，避免病情加重，造成不良后果。

发明内容

为解决上述技术问题，本发明的目的是提供一种基于深度卷积残差网络的非接触式房颤智能检测系统，其通过柔性的压电薄膜传感器，采集能够非接触地判断使用者是否发生房颤的技术问题。

本发明提供一种基于深度卷积残差网络的非接触式房颤智能检测系统，包括：床垫本体、压电薄膜传感器、压电信号处理模块、AD转换电路、ARM处理器、云端服务器以及异常提醒模块；

所述压电薄膜传感器设置于床垫本体上对应人体平躺时心脏正下方的位置，用于将包含人体心冲击与呼吸起伏的机械信号转变成电流信号；

所述压电信号处理模块与压电薄膜传感器相连接，用于将压电薄膜传感器采集的电流信号转变成电压信号并放大到适合A/D转换的要求；

所述AD转换电路与压电信号处理模块相连接，用于将经过放大滤波处理的电压信号转换成数字信号；

所述ARM处理器与AD转换电路相连接，用于判断数字信号是否存在体动影响，并对不存在体动影响的数字信号以固定长度采样点进行移动平均滤波获取呼吸信号，将数字信号中的呼吸信号去除以获得原始心冲击信号；

所述云端服务器与ARM处理器通过Wi-Fi网络无线连接，通过深度卷积残差网络模型对ARM处理器上传的原始心冲击信号进行深度特征提取，判断此段原始心冲击信号是否出现房颤问题；

所述异常提醒模块与云端服务器相连接，接收云端服务器输出的判断结果，如果判断原始心冲击信号存在房颤问题，则通知医务工作者或者相关人员，便于对情况及时作出处理。

在本发明的基于深度卷积残差网络的非接触式房颤智能检测系统中，所述压电信号处理模块包括两个对称的电荷转换电路、差分电压放大电路、50Hz陷波滤波电路以及低通滤波电路；

两个对称的电荷转换电路用于将压电薄膜传感器输出的电流信号转换为差分的电压信号；

差分电压放大电路分别与两个电荷转换电路相连接，用于将差分电压信号放大并抑制共模干扰；

50Hz陷波滤波电路与差分电压放大电路相连接，用于抑制环境中引入的50Hz频率干扰成分；

低通滤波电路与50Hz陷波滤波电路相连接，用于抑制与人体心冲击与呼吸信号无关的高频干扰成分。

在本发明的基于深度卷积残差网络的非接触式房颤智能检测系统中，所述ARM处理器包括：依次连接的体动判断模块、呼吸信号提取模块、心冲击信号获取模块和数据上传模块；

体动判断模块用于计算数字信号的标准差以判断此段数字信号是否有体动影响，如果标准差超范围就重新采集信号，如果标准差在一定范围内就表示此段数据没有体动影响，然后输入到呼吸信号提取模块；

呼吸信号提取模块以固定长度采样点进行移动平均滤波以获得呼吸信号；

心冲击信号获取模块用于将数字信号中的呼吸信号去除，以获得原始心冲击信号；

数据上传模块用于将原始心冲击信号实时打包上传至云端服务器。

在本发明的基于深度卷积残差网络的非接触式房颤智能检测系统中，所述深度卷积残差网络运行在云端服务器中，其网络模型为：从信号输入层开始，依次经过一维卷积层，批归一化层，激活层，第一残差模块，第一下采样层，第二残差模块，第二下采样层，第三残差模块，第三下采样层，第四残差模块，第四下采样层，最后到全连接层。

在本发明的基于深度卷积残差网络的非接触式房颤智能检测系统中，所述深度卷积残差网络模型的分类器输出函数为Softmax函数；

在本发明的基于深度卷积残差网络的非接触式房颤智能检测系统中，所述深度卷积残差网络模型采用交叉熵损失函数进行训练，并能对ARM处理器上传的人体心冲击信号做出是否存在房颤问题的判断。

本发明的基于深度卷积残差网络的非接触式房颤智能检测系统，利用人体心冲击信号可以无创、非接触式采集的特点，且利用卷积神经网络学习强特征提取能力和残差神经网络退化能力强、收敛好等特性，通过提高网络层数、加深网络深度使得所构建的网络结构可以对于复杂的生理信号进行拟合，在模型经过训练之后能对给出的心冲击信号给出判断是否发生房颤并保存到数据库与知识库中。人体心冲击信号采集装置铺设于床垫下方，采集人体心冲击模拟信号经数据采集与上传系统转换为数字信号后，每隔几秒(如10秒、或20秒等)上传至运行深度卷积残差神经网络算法的服务器中，服务器可以给出对数据判断的结果(正常、房颤、体动)。本发明可用于对人体进行夜间不间断监护，并及时给出判断提示，便于及时处理病情。

附图说明

图1为本发明的基于深度卷积残差网络的非接触式房颤智能检测系统的结构框图；

图2为本发明的压电信号处理模块的结构框图；

图3为本发明的ARM处理器的结构框图；

图4为本发明的ARM处理器中数字信号处理流程图；

图5为本发明的深度卷积残差网络模型示意图。

具体实施方式

如图1至4所示，本发明的基于深度卷积残差网络的非接触式房颤智能检测系统包括：床垫本体1、压电薄膜传感器11、压电信号处理模块2、AD转换电路3、ARM处理器4、云端服务器5以及异常提醒模块6。

压电薄膜传感器11铺设在床垫本体1对应人体平躺时心脏正下方位置，用于将包含人体心冲击与呼吸起伏的机械信号转变成电流信号。

压电信号处理模块2与压电薄膜传感器11相连接，用于将压电薄膜传感器11采集的电流信号转变成电压信号并放大到适合A/D转换的要求。如图2所示，压电信号处理模块2包括两个对称的电荷转换电路21、差分电压放大电路22、50Hz陷波滤波电路23以及低通滤波电路24。压电信号处理模块2输出的电压信号值可以清晰反映与压电信号处理模块2相连接的压电薄膜传感器11对于在其上人体心跳震动和呼吸起伏所产生的微弱形变。

两个对称的电荷转换电路21中的每一个电荷转换电路是由AD8541运算放大器及相应电阻电容元件构成的电容反馈型电流-电压变换电路。两个对称的电荷转换电路21分别与与压电薄膜传感器11的两条输出线相连接，将压电薄膜传感器输出的电流信号转换成差分电压信号。差分电压放大电路22使用AD623仪表运算放大器，其同相输入端和反向输入端分别接入电荷转换电路21输出的两个电压信号，能极大地抑制由每一个灵敏的电荷转换电路所带来的共模干扰噪声。50Hz陷波滤波电路23与差分电压放大电路相连接，用于抑制环境中引入的50Hz频率干扰成分，具体为使用AD8619芯片配合相应的电阻网络形成的FDNR型50Hz陷波滤波电路。低通滤波电路24与50Hz陷波滤波电路相连接，用于抑制与人体心冲击与呼吸信号无关的高频干扰成分，对最终信号进行滤波处理，阻止与人体体动信号无关的高频干扰信号通过。这4个电路能配合压电薄膜传感器将包含人体心冲击与呼吸起伏的微弱机械信号转变成电信号并放大到适合A/D转换的要求。

AD转换模块3与压电信号处理模块2相连接，用于经过放大滤波处理的电压信号转换成数字信号传输至ARM处理器4。

ARM处理器4用于判断数字信号是否存在体动影响，并对不存在体动影响的数字信号以固定长度采样点，如：150采样点进行移动平均滤波获取呼吸信号，将数字信号中的呼吸信号去除以获得原始心冲击信号。图4为本发明的ARM处理器4中数字信号处理流程图，连续采集的数字信号输入到ARM处理器4中，取一定长度的数字信号作为信号1，计算信号1的标准差，如果标准差超出阈值范围则判定此段数字信号存在体动影响，重新采集信号；如果标准差在阈值范围内则判定此段数字信号不存在体动影响，对信号1进行移动平均滤波以获得信号2即呼吸信号；用信号1减去信号2即可获得心冲击信号。

ARM处理器4与云端服务器5无线连接，云端服务器5通过深度卷积残差网络模型对ARM处理器4上传的原始心冲击信号进行深度特征提取，判断此段原始心冲击信号是否出现房颤问题。

异常提醒模块6与云端服务器5相连接，云端服务器5返回房颤判断结果给异常提醒模块6，如果判断原始心冲击信号存在房颤问题，则通知医务工作者或者相关人员，便于对异常情况及时作出处理。

如图3所示运行在ARM处理器5上的软件系统包括体动判定模块31、呼吸信号提取模块32、心冲击信号获取模块33和数据上传模块34。体动判断模块31用于计算数字信号的标准差以判断此段数字信号是否有体动影响，如果标准差超范围就重新采集信号，如果标准差在一定范围内就表示此段数据没有体动影响，然后输入到呼吸信号提取模块32。呼吸信号提取模块32以固定长度采样点，如：150采样点进行移动平均滤波以获得呼吸信号。心冲击信号获取模块33用于将数字信号中的呼吸信号去除，以获得原始心冲击信号。数据上传模块34用于将原始心冲击信号实时打包上传至云端服务器5。

本发明的基于深度卷积残差网络的非接触式房颤智能检测系统的工作过程如下：

首先，压电薄膜传感器11连续采集平躺于床垫本体1上的用户的心冲击信号和呼吸起伏信号，并将心冲击信号和呼吸起伏信号所产生的机械形变信号转换为电流信号；然后通过压电信号处理模块2对采集的电流信号转换成电压信号并进行放大滤波处理；AD转换模块3以合适的采样速率将模拟信号变为数字信号送入ARM处理器4，ARM处理器4循环将最新采集到的合适长度的等长信号，输入至体动判定模块31中，体动判定模块31计算此段信号标准差用以判断此段信号是否有体动影响，如果标准差超范围就重新采集信号，如果标准差在一定范围内就表示此段数据没有体动影响，然后输入至呼吸信号提取模块32中以每150采样点进行移动平均滤波获取呼吸信号，心冲击信号获取模块33用于将数字信号中的呼吸信号去除，即去掉呼吸对心冲击信号的干扰，以获得处理后的心冲击信号。计算流程如图4所示。ARM处理器4具有Wi-Fi连接能力，其数据上传模块34能将处理后的心冲击信号实时打包上传至云端服务器5。推荐的云端服务器操作系统为Linux，使用的深度学习框架为Tensorflow。此段数据通过Wi-Fi传输至云端服务器5做进一步分析。云端服务器5利用深度学习框架TensorFlow搭建深度卷积残差神经网络模型，对上传的原始心冲击信号进行深度特征提取，判断此段原始心冲击信号是否出现房颤问题，如果有问题则通知异常提醒模块6显示相关信息。

具体实施时，深度卷积残差神经网络模型的结构如图5所示，此网络结构由信号输入层、一维卷积层、批归一化层、激活层、残差模块、下采样层、以及全连接层组成。

具体包括，信号输入层大小为3000×1，数据为ARM处理器发来的原始心冲击信号。一维卷积层C1的卷积核大小为1×9，滑动步长为1，填充方式为补零填充，输出通道为32。批归一化层BN1。激活层A1的激活函数为修正线性单元。

第一残差模块R1的由一维卷积层R1_C1、批归一化层R1_BN1、激活层R1_A1、一维卷积层R1_C2、批归一化层R1_BN2、激活层R1_A2和相加层R1_AD1组成。一维卷积层R1_C1的卷积核大小为1×9，滑动步长为1，填充方式为补零填充，输出通道为32；激活层R1_A1的激活函数为修正线性单元。一维卷积层R1_C2的卷积核大小为1×9，滑动步长为1，填充方式为补零填充，输出通道为64；激活层R1_A2的激活函数为修正线性单元。相加层R1_AD1将经过卷积处理后获得的数据和原始输入数据相加输出到第一下采样层P1。

第一下采样层P1最大池化，大小为1×2，滑动步长为2。第一下采样层P1的输出连接第二残差模块R2，第二残差模块R2由一维卷积层R2_C1、归一化层R2_BN1、激活层R2_A1、一维卷积层R2_C2、批归一化层R2_BN2、激活层R2_A2和相加层R2_AD2组成。一维卷积层R2_C1的卷积核大小为1×9，滑动步长为1，填充方式为补零填充，输出通道为64；激活层R2_A1的激活函数为修正线性单元。一维卷积层R2_C2的卷积核大小为1×9，滑动步长为1，填充方式为补零填充，输出通道为128；激活层R2_A2的激活函数为修正线性单元。相加层R2_AD2将经过卷积处理后获得的数据和原始输入数据相加输出到第二下采样层P2。

第二下采样层P2最大池化，大小为1×2，滑动步长为2。第二下采样层P2的输出连接第三残差模块R3，第三残差模块R3由一维卷积层R3_C1、批归一化层R3_BN1、激活层R3_A1、一维卷积层R3_C2、批归一化层R3_BN2、激活层R3_A2和相加层R3_AD3组成。一维卷积层R3_C1的卷积核大小为1×9，滑动步长为1，填充方式为补零填充，输出通道为128；激活层R3_A1的激活函数为修正线性单元。一维卷积层R3_C2的卷积核大小为1×9，滑动步长为1，填充方式为补零填充，输出通道为256；激活层R3_A2的激活函数为修正线性单元。相加层R3_AD3将经过卷积处理后获得的数据和原始输入数据相加输出到第三下采样层P3。

第三下采样层P3最大池化，大小为1×2，滑动步长为2。第三下采样层P3输出连接第四残差模块R4。第四残差模块R4由一维卷积层R4_C1、批归一化层R4_BN1、激活层R4_A1、一维卷积层R4_C2、批归一化层R4_BN2、激活层R4_A2和相加层R4_AD4组成。一维卷积层R4_C1的卷积核大小为1×9，滑动步长为1，填充方式为补零填充，输出通道为256；激活层R4_A1的激活函数为修正线性单元。一维卷积层R4_C2的卷积核大小为1×9，滑动步长为1，填充方式为补零填充，输出通道为512；激活层R4_A2的激活函数为修正线性单元。相加层R4_AD4将经过卷积处理后获得的数据和原始输入数据相加输出到第四下采样层P4。第四下采样层P4(大池化，大小为1×2，滑动步长为2。最后，连接到全连接层FC1，全连接层FC1的输出通道为512。

深度卷积残差网络模型的损失函数为交叉熵损失函数，分类器输出函数为Softmax函数；此模型使用大量已知发生房颤病人的心冲击信号数据训练后，能对输入未知是否发生房颤病人的心冲击信号进行预测，给出是否发生房颤的结论。

本发明ARM处理器在信号过于微弱时将停止分析与发送数据，即当人体离开传感器感应区后，监护系统暂停工作。

具体实施时，深度卷积残差神经网络训练结果：

使用的数据集为医院采集的29人数据，其中房颤病人14人，其他病人15人，信号采集长度为8小时每人，采样率为125Hz。数据输入网络之前先对其做滤波处理，滤除高频信号干扰(如肌电信号)。之后进行数据归一化操作以便加速网络训练收敛。最后得到的训练数据样本数量为36853，其中房颤病人样本数量为15905，其他病人样本数量为20948。样本长度均为3000。神经网络结构具体定义为：一维卷积层的卷积核大小为16×1，滑动步长为1，填充方式为补零填充，卷积核数目(输出通道)为32，残差模块为16。残差模块循环2次，卷积核数目翻倍。最后训练完成得到的准确率为0.84。

本发明的监护床垫和监护系统至少存在以下优点：

(1)非接触式监护房颤：病人不需要佩带任何东西；

(2)采用柔性的压电薄膜作为传感器，与人体有很好的适应性；

(3)压电薄膜传感器可以同时采集呼吸起伏信号和心跳震动信号；

(4)信号处理分析装置能自动判别人体肢体运动产生的干扰，可以得到更为符实的生命体征；

以上所述仅为本发明的较佳实施例，并不用以限制本发明的思想，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 (4)

1.基于深度卷积残差网络的非接触式房颤智能检测系统，其特征在于，包括：床垫本体、压电薄膜传感器、压电信号处理模块、AD转换电路、ARM处理器、云端服务器以及异常提醒模块；

所述压电薄膜传感器设置于床垫本体上对应人体平躺时心脏正下方的位置，用于将包含人体心冲击与呼吸起伏的机械信号转变成电流信号；

所述压电信号处理模块与压电薄膜传感器相连接，用于将压电薄膜传感器采集的电流信号转变成电压信号并放大到适合A/D转换的要求；

所述AD转换电路与压电信号处理模块相连接，用于将经过放大滤波处理的电压信号转换成数字信号；

所述ARM处理器与AD转换电路相连接，用于判断数字信号是否存在体动影响，并对不存在体动影响的数字信号以固定长度采样点进行移动平均滤波获取呼吸信号，将数字信号中的呼吸信号去除以获得原始心冲击信号；所述ARM处理器包括：依次连接的体动判断模块、呼吸信号提取模块、心冲击信号获取模块和数据上传模块；体动判断模块用于计算数字信号的标准差以判断此段数字信号是否有体动影响，如果标准差超范围就重新采集信号，如果标准差在一定范围内就表示此段数据没有体动影响，然后输入到呼吸信号提取模块；呼吸信号提取模块以固定长度采样点进行移动平均滤波以获得呼吸信号；心冲击信号获取模块用于将数字信号中的呼吸信号去除，以获得原始心冲击信号；数据上传模块用于将原始心冲击信号实时打包上传至云端服务器；

所述云端服务器与ARM处理器通过Wi-Fi网络无线连接，通过深度卷积残差网络模型对ARM处理器上传的原始心冲击信号进行深度特征提取，判断此段原始心冲击信号是否出现房颤问题；所述深度卷积残差网络运行在云端服务器中，其网络模型为：从信号输入层开始，依次经过一维卷积层，批归一化层，激活层，第一残差模块，第一下采样层，第二残差模块，第二下采样层，第三残差模块，第三下采样层，第四残差模块，第四下采样层，最后到全连接层；

信号输入层大小为3000×1，数据为ARM处理器发来的原始心冲击信号；一维卷积层C1的卷积核大小为1×9，滑动步长为1，填充方式为补零填充，输出通道为32；激活层A1的激活函数为修正线性单元；

第一残差模块R1的由一维卷积层R1_C1、批归一化层R1_BN1、激活层R1_A1、一维卷积层R1_C2、批归一化层R1_BN2、激活层R1_A2和相加层R1_AD1组成；一维卷积层R1_C1的卷积核大小为1×9，滑动步长为1，填充方式为补零填充，输出通道为32；激活层R1_A1的激活函数为修正线性单元；一维卷积层R1_C2的卷积核大小为1×9，滑动步长为1，填充方式为补零填充，输出通道为64；激活层R1_A2的激活函数为修正线性单元；相加层R1_AD1将经过卷积处理后获得的数据和原始输入数据相加输出到第一下采样层P1；

第一下采样层P1最大池化，大小为1×2，滑动步长为2；第一下采样层P1的输出连接第二残差模块R2，第二残差模块R2由一维卷积层R2_C1、归一化层R2_BN1、激活层R2_A1、一维卷积层R2_C2、批归一化层R2_BN2、激活层R2_A2和相加层R2_AD2组成；一维卷积层R2_C1的卷积核大小为1×9，滑动步长为1，填充方式为补零填充，输出通道为64；激活层R2_A1的激活函数为修正线性单元；一维卷积层R2_C2的卷积核大小为1×9，滑动步长为1，填充方式为补零填充，输出通道为128；激活层R2_A2的激活函数为修正线性单元；相加层R2_AD2将经过卷积处理后获得的数据和原始输入数据相加输出到第二下采样层P2；

第二下采样层P2最大池化，大小为1×2，滑动步长为2；第二下采样层P2的输出连接第三残差模块R3，第三残差模块R3由一维卷积层R3_C1、批归一化层R3_BN1、激活层R3_A1、一维卷积层R3_C2、批归一化层R3_BN2、激活层R3_A2和相加层R3_AD3组成；一维卷积层R3_C1的卷积核大小为1×9，滑动步长为1，填充方式为补零填充，输出通道为128；激活层R3_A1的激活函数为修正线性单元；一维卷积层R3_C2的卷积核大小为1×9，滑动步长为1，填充方式为补零填充，输出通道为256；激活层R3_A2的激活函数为修正线性单元；相加层R3_AD3将经过卷积处理后获得的数据和原始输入数据相加输出到第三下采样层P3；

第三下采样层P3最大池化，大小为1×2，滑动步长为2；第三下采样层P3输出连接第四残差模块R4；第四残差模块R4由一维卷积层R4_C1、批归一化层R4_BN1、激活层R4_A1、一维卷积层R4_C2、批归一化层R4_BN2、激活层R4_A2和相加层R4_AD4组成；一维卷积层R4_C1的卷积核大小为1×9，滑动步长为1，填充方式为补零填充，输出通道为256；激活层R4_A1的激活函数为修正线性单元；一维卷积层R4_C2的卷积核大小为1×9，滑动步长为1，填充方式为补零填充，输出通道为512；激活层R4_A2的激活函数为修正线性单元；相加层R4_AD4将经过卷积处理后获得的数据和原始输入数据相加输出到第四下采样层P4；第四下采样层P4最大池化，大小为1×2，滑动步长为2；连接到全连接层FC1，全连接层FC1的输出通道为512；

所述异常提醒模块与云端服务器相连接，接收云端服务器输出的判断结果，如果判断原始心冲击信号存在房颤问题，则通知医务工作者或者相关人员，便于对情况及时作出处理。

2.如权利要求1所述的基于深度卷积残差网络的非接触式房颤智能检测系统，其特征在于，所述压电信号处理模块包括两个对称的电荷转换电路、差分电压放大电路、50Hz陷波滤波电路以及低通滤波电路；

两个对称的电荷转换电路用于将压电薄膜传感器输出的电流信号转换为差分的电压信号；

差分电压放大电路分别与两个电荷转换电路相连接，用于将差分电压信号放大并抑制共模干扰；

50Hz陷波滤波电路与差分电压放大电路相连接，用于抑制环境中引入的50Hz频率干扰成分；

低通滤波电路与50Hz陷波滤波电路相连接，用于抑制与人体心冲击与呼吸信号无关的高频干扰成分。

3.如权利要求1所述的基于深度卷积残差网络的非接触式房颤智能检测系统，其特征在于，所述深度卷积残差网络模型的分类器输出函数为Softmax函数。

4.如权利要求1所述的基于深度卷积残差网络的非接触式房颤智能检测系统，其特征在于，所述深度卷积残差网络模型采用交叉熵损失函数进行训练，并能对ARM处理器上传的人体心冲击信号做出是否存在房颤问题的判断。

Images