CN108932452A - 基于多尺度卷积神经网络的心律失常心拍分类方法 - Google Patents

Abstract

本发明公开了一种基于多尺度卷积神经网络的心律失常心拍分类方法，包括定位心电信号中R波的位置，根据R波的位置对心电信号进行分割得到分割的心拍信号；将分割的心拍信号分为正常心拍N、左束支传导阻滞L、右束支传导阻滞R、起搏心拍P和室性期前收缩V五类心律失常心拍。本发明不仅可以提取不同尺度上的信号特征，还将特征提取和分类过程结合在一起，减少中间误差，提高分类的准确率。

Description

基于多尺度卷积神经网络的心律失常心拍分类方法

技术领域

本发明涉及生物医学信号模式识别技术领域，具体涉及一种基于多尺度卷积神经网络的心律失常心拍分类方法。

背景技术

心电信号(ECG)是诊断心脏疾病的基础。心律失常是极为常见的心脏疾病，心律失常的自动分类在可穿戴设备、动态检测及辅助医疗诊断等方面都具有重要的意义。传统的心电分类方法主要是依靠人工提取特征和选择最优分类器。在构建特征空间时需要依据先验知识或是通过多种尝试来挖掘信号中隐藏的特征，这不仅需要一定的医学背景知识，还需要人工挑选特征，不仅费时费力，还存在一定的盲目性。并且大部分现有的方法没有考虑心电信号在不同尺度上的特征。

将深度神经网络引入心电信号分析，可以在训练网络的过程中，自主学习心电数据，自主抽取心电数据特征，建立起复杂的特征空间，从而实现最优分类的目的。多尺度卷积神经网络是在卷积神经网络的基础上增加了多尺度分支并分别进行卷积。多尺度卷积神经网络在处理心电信号的特征提取和分类问题时，多尺度分支和卷积层，可以自动提取不同尺度，即不同频率上的特征，从而达到获取最优分类特征的目的。

发明内容

(一)要解决的技术问题

本发明的目的是自动提取心电信号多个尺度上的特征并实现对五种心律失常心拍的分类，提出了一种基于多尺度卷积神经网络的心律失常心拍分类方法。

(二)技术方案

本发明提供一种基于多尺度卷积神经网络的心律失常心拍分类方法，其中，包括：

定位心电信号中R波的位置，根据R波的位置对心电信号进行分割得到分割的心拍信号；

将分割的心拍信号分为正常心拍N、左束支传导阻滞L、右束支传导阻滞R、起搏心拍P和室性期前收缩V五类心律失常心拍。

其中，所述定位心电信号中R波的位置的步骤中，心电信号是采用基于相关性的小波熵阈值心电信号去噪方法进行去噪、去除基线漂移、工频干扰和肌电噪声的心电信号。

其中，所述根据R波的位置对心电信号进行分割得到分割的心拍信号的步骤中，

采用双正交二次B样条小波对去噪后的信号进行4尺度小波分解；

在第3尺度上，对小波系数的正负极大值对进行阈值处理，保留与R波对应的正负极大值对；计算正负极大值对的过零点来定位R波并修正时移；

在RR间期内检查有没有R波的漏检和多检，并对其进行修正，其RR间期为任意两个R波峰值间的距离；

以R波为基准，向左取70个点，向右取145个点自动分割心拍。

其中，所述采用双正交二次B样条小波对去噪后的信号进行4尺度小波分解的步骤中，小波分解采用的二次B样条小波的滤波器组如下：

h为低通滤波函数，也就是尺度函数，g为高通滤波函数，也就是小波函数。

其中，所述在第3尺度上，对小波系数的正负极大值对进行阈值处理，保留与R波对应的正负极大值对的步骤中，保留与R波对应的正负极大值对方法如下：

设定正负模极大值的阈值thr₁和thr₂，其中，心电信号被平分为4个区间，M为4个区间的模最大值的平均值，N为4个区间的模最小值的平均值。

其中，所述在RR间期内检查有没有R波的漏检和多检，并对其进行修正的步骤中，对R波漏检和多检的检查及修正方法如下：

如果RR间期＞1.6meanRR，meanRR为RR间期的平均值，则认为可能存在漏检，修正阈值thr₁和thr₂，使

重新在此RR间期内按照修改的阈值重新检测R波，如果仍没有找到，则认为没有漏检；

如果RR间期＜0.4meanRR，则可能存在多检，则保留较大的R波，去除较小的R波。

所述将分割的心拍信号分为正常心拍(N)、左束支传导阻滞(L)、右束支传导阻滞(R)、起搏心拍(P)和室性期前收缩(V)五类心律失常心拍的步骤包括：

对分割的心拍信号归一化；

搭建网络结构，对信号进行4次下采样，形成4个多尺度并行分支；分别对各并行分支网络进行局部卷积，并采用最大值池化层进行池化；对多个尺度分支卷积得到的特征进行串联连接，最后送入全连接层进行分类；

采用交叉熵函数作为目标函数，采用小批量随机梯度下降法训练网络。

其中，所述对分割的心拍信号归一化的步骤中，归一化公式如下：

其中，x为归一化之前的心拍信号，x^*为归一化之后的心拍信号，μ为所有样本数据的均值，σ为所有样本的标准差。

其中，所述搭建网络结构的步骤中，

所述局部卷积采用ReLU函数为激活函数，公式如下：ReLU(x)＝max(x，0)；其中，x为节点的输入值，ReLU(x)为节点的输入经过激活函数之后的激活值；

所述全连接层共包含两层，最后一层为输出层，输出为y₁，y₂，…y_n，n为输出节点的个数，全连接层的输出层再经过softmax层将神经网络的输出变成一个概率分布，并计算交叉熵作为目标函数；

对第i个输出节点y_i经过softmax层后变为：

所述目标函数采用交叉熵函数，如下式所示：

式中，C为交叉熵函数值，也就是目标函数值，m为样本个数，t_i为真实的分类类别。

其中，所述采用小批量随机梯度下降法训练网络的步骤中，批量大小设为64。

(三)有益效果

从上述技术方案可以看出，本发明基于多尺度卷积神经网络的心律失常心拍分类方法至少具有以下有益效果其中之一：

(1)本发明基于多尺度卷积神经网络的心律失常心拍分类方法，将特征提取和分类过程结合在一起，直接输入分割的心拍信号，大大降低了人工提取特征的难度，并能减少中间误差。

(2)本发明基于多尺度卷积神经网络的心律失常心拍分类方法，下采样形成多个尺度通路并分别卷积，可以提取不同尺度上信号的特征，从而提高分类准确率。

附图说明

图1为本发明一实施例的正常心电信号在一个周期内的波形图。

图2为本发明一实施例的基于多尺度卷积神经网络的心律失常心拍分类方法的流程图。

图3为本发明一实施例的基于多尺度卷积神经网络的心律失常心拍分类方法的去噪效果图。

图4为本发明一实施例的基于多尺度卷积神经网络的心律失常心拍分类方法的小波变换定位R波并分割心拍的流程图。

图5为本发明一实施例的基于多尺度卷积神经网络的心律失常心拍分类方法的定位R波的效果图。

图6为本发明一实施例的基于多尺度卷积神经网络的心律失常心拍分类方法中自动分割出的五类心律失常心拍波形图。

图7为本发明一实施例的基于多尺度卷积神经网络的心律失常心拍分类方法的多尺度卷积神经网络框图。

图8为本发明一实施例的基于多尺度卷积神经网络的心律失常心拍分类方法中的五类心律失常心拍经过4个尺度卷积后提取的特征图。

图9为特征提取+SVM方法中特征提取之前的特征点定位图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。

一个完整的正常心电信号在一个周期内的波形如图1所示。主要包括QRS波群、P波和T波等。P-R间期(P-Rinterval)是指P波起点和QRS波群终点之间所跨越的时间，P-R段(P-R segment)是指P波终点和QRS波群起点之间所跨越的时间。S-T段(S-T segment)是指QRS波群终点和T波起点之间所跨越的时间。Q-T间期(Q-Tinterval)是指QRS波群起点和T波终点之间的时间段。

以下来用实例检验本发明的基于多尺度卷积神经网络的心律失常心拍分类方法对正常心拍、左束支传导阻滞、右束支传导阻滞、起搏心拍和室性期前收缩五类心律失常心拍分类的分类效果。测试数据采用MIT-BIH心律失常数据库中100号的第二导联的数据。

如图2所示，为本发明一实施例的基于多尺度卷积神经网络的心律失常心拍分类方法的流程图。本实施例基于多尺度卷积神经网络的心律失常心拍分类方法具体包括：

步骤A，采用基于相关性的小波熵阈值心电信号去噪方法对心电信号进行去噪，去除基线漂移、工频干扰和肌电噪声；图3为本发明一实施例的基于多尺度卷积神经网络的心律失常心拍分类方法的去噪效果图。横轴为采样点；纵轴为信号的幅值。从图中可以看出心电信号的P-Q间期直线基本处于零线上，很好的去除了基线漂移；从波形上看，波形清晰，连续性较好，无震荡现象，工频干扰和肌电噪声去除效果显著。

步骤B，采用小波变换法定位R波的位置，从R波向左取70个点，向右取145个点自动分割心拍；图4为本发明一实施例的基于多尺度卷积神经网络的心律失常心拍分类方法的小波变换定位R波并分割心拍的流程图，如图4所示，步骤B进一步包括：

步骤B1，采用双正交二次B样条小波对去噪后的信号进行4尺度小波分解；其中，步骤B1中，小波分解采用的二次B样条小波的滤波器组如下：

h为低通滤波函数，也就是尺度函数，g为高通滤波函数，也就是小波函数。

步骤B2，在第3尺度上，对小波系数的正负极大值对进行阈值处理，保留与R波对应的正负极大值对；计算正负极大值对的过零点来定位R波并修正时移；步骤B2中，保留与R波对应的正负极大值对方法如下：

设定正负模极大值的阈值thr₁和thr₂，其中，心电信号被平分为4个区间，M为4个区间的模最大值的平均值，N为4个区间的模最小值的平均值；

步骤B3，在RR间期(RR间期为任意两个R波峰值间的距离)内检查有没有R波的漏检和多检，并对其进行修正；步骤B3中，如果RR间期＞1.6meanRR，则认为可能存在漏检，修正阈值thr₁和thr₂，使 其中，RR间期为任意两个R波峰值间的距离，meanRR为RR间期的平均值；重新在此RR间期采用新阈值内检测R波，如果仍没有找到，则认为没有漏检；如果RR间期＜0.4meanRR，则可能存在多检，则保留较大的R波，去除较小的R波。

图5为本发明一实施例的基于多尺度卷积神经网络的心律失常心拍分类方法的定位R波的效果图，如图5所示，横轴为采样点的个数，纵轴为信号的幅值。可以看出，红点处于R波峰值位置，均被很好的定位；第一个和最后一个心电周期不完整，这里不显示R波位置。

步骤B4，以R波为基准，向左取70个点，向右取145个点自动分割心拍。分割出的心拍如图6所示，图6为本发明一实施例的基于多尺度卷积神经网络的心律失常心拍分类方法中自动分割出的五类心律失常心拍波形图。其中，每个心拍的数据长度为216，从左向右依次为正常心拍、左束支传导阻滞、右束支传导阻滞、起搏心拍和室性期前收缩心拍；

步骤C，将分割的心拍信号作为多尺度卷积神经网络的输入信号，实现对五类心律失常心拍的分类；图7为本发明一实施例的基于多尺度卷积神经网络的心律失常心拍分类方法的多尺度卷积神经网络框图，如图7所示，步骤C进一步包括：

步骤C1：对输入的心拍信号归一化。具体地，步骤C1中，输入信号归一化公式如下：其中，μ为所有样本数据的均值，σ为所有样本的标准差。

步骤C2：搭建网络结构，对信号进行4次下采样，形成4个多尺度并行分支；分别对各并行分支网络进行局部卷积，并采用最大池化(max pooling)层进行池化；对多个尺度分支卷积得到的特征进行串联连接，最后送入全连接层进行分类。步骤C2中，局部卷积采用不易饱和，收敛速度快且计算简单的ReLU函数为激活函数，公式如下：ReLU(x)＝max(x，0)；

其中，x为节点的输入值，ReLU(x)为节点的输入经过激活函数之后的激活值。

交叉熵函数刻画了两个概率分布之间的距离，可以描述一个输出向量和期望的向量有多接近，作为目标函数，一般要优于二次成本函数。给定两个概率分布p和q，通过q来表示p的交叉熵如下式所示：

全连接层共包含两层，最后一层为输出层，输出为y₁，y₂，…y_n，n为输出节点的个数，。全连接层的输出层再经过softmax层将神经网络的输出变成一个概率分布，从而可以计算交叉熵作为目标函数，即损失函数。

对第i个输出节点y_i经过softmax层后变为：

目标函数采用交叉熵函数，如下式所示：

式中，C为交叉熵函数值，也就是目标函数值，m为样本个数，t_i为真实的分类类别。

步骤C3：采用交叉熵函数作为目标函数，采用小批量随机梯度下降法训练网络。其中，网络训练中小批量随机梯度下降法的批量大小(batch_size)设为64。

多尺度卷积神经网络可以提取信号不同尺度上的特征，图8为本发明一实施例的基于多尺度卷积神经网络的心律失常心拍分类方法中的五类心律失常心拍经过4个尺度卷积后提取的特征图，如图8所示，纵向为五类心拍，从上到下依次为正常心拍、左束支传导阻滞、右束支传导阻滞、起搏心拍和室性期前收缩心拍；横向为每类心拍的四个尺度卷积后的特征图，从左到右依次为1尺度、2尺度、3尺度和4尺度，数据点个数依次为216，108，54和27。从图8中可以看出，卷积层提取的特征的表现形式比较抽象，这些特征没有临床意义，只是数理值。本发明基于多尺度卷积神经网络的心律失常心拍分类方法，将特征提取和分类过程结合在一起，直接输入分割的心拍信号，大大降低了人工提取特征的难度，并能减少中间误差。本发明基于多尺度卷积神经网络的心律失常心拍分类方法，下采样形成多个尺度通路并分别卷积，可以提取不同尺度上信号的特征，从而提高分类准确率。

可以采用混淆矩阵(Confusion Matrix)对心拍分类的统计结果进行评估。混淆矩阵是对有监督学习分类方法准确率进行评估的有效工具，通过将分类模型预测的数据与测试数据进行对比，使用整体精度、敏感度、特异性和正检率等指标对分类模型的分类效果进行度量。心拍分类的混淆矩阵定义如表1所示：

表1心拍分类混淆矩阵定义

表1中的每一行代表真实的分类标签，每一列代表某一种类型被分出的类型(括号中的数值为相应心拍在数据库中的标号)。其中，Nn表示正常心拍被分类为正常心拍的个数，Ln表示左束支传导阻滞心拍被分类为正常心拍的个数。

利用混淆矩阵计算评价标准如下：

1、整体分类精度

整体的分类精度(Overall Accuracy，OA)表示被所有类别中，正确预测的心拍个数与心拍总数的比值，如下式所示：

式中，Z为心拍总数，Nn、Ll、Rr、Vv和Pp分别为五类心拍被正确预测的个数，也就是表1中对角线上的值。

2、敏感度、特异性和正检率

评价标准采用敏感度(Sensitivity，Se)、特异性(Specificity，Sp)和正检测率(Positive Predictivity，Pp)，如下公式所示：

其中，TP、TN、FN和FP的参数定义如表格2所示：

表2参数定义

为验证本发明提出的多尺度卷积神经网络(记为MCNN)对心律失常心拍分类的有效性，与基于特征提取+SVM分类的方法、深度卷积神经网络方法(记为CNN)方法进行对比实验。其中，特征提取+SVM分类方法提取特征前，除了定位R波之外，还需要定位QRS波群的起始点、P波和T波的起始点，如图9所示，图9为特征提取+SVM方法中特征提取之前的特征点定位图，横轴为采样点，纵轴为信号的幅值，从图9看出图中，红点表示R波波峰、Q波和S波波谷，P波和T波波峰。竖线表示相应波形的起止点。为了保证每个心拍(每个心电周期)参数的完整性，第一个和最后一个R波不显示。可以看出无论是波峰还是波谷，定位比较准确，各个波段的起始点也定位较好，当然这是在P、T波形态良好的情况下，实际中P、T波形态比较复杂，检测难度较大。

传统分类方法的分类器不能完全提取特征，直接输入心拍信号不仅数据量大而且不能有效分类，所以需要通过人工挑选特征作为分类器的输入，从而使得SVM等分类器能够有效分类。心电信号各个波段都有一定生理意义，依据医理和经验来人工提取特征，共23维，如下：

时间特征：R-R_before(R波和之前R波的距离)、R-R_after(R波和之后R波峰值间的距离)、Q-R间期、R-S间期、P-R间期、R-P_begin间期、R-P_end间期、R-T间期、R-T_begin间期、R-T_end间期、P波间期、T波间期、P-Q间期、S-T间期、P-T间期、P_begin-Q间期、S-T_end间期。

其中，R、P、T指峰值位置，Q、S指谷值位置，P_begin、P_end分别指P波的起止点位置，T_begin、T_end分别指T波起止点位置。

幅值特征：R波峰值-Q波谷值、R波峰值-S波谷值、P波峰值-P波起点幅值、P波峰值-Q波谷值、T波峰值-T波起点幅值、T波峰值-S波谷值。

CNN包含两层卷积层和Max pooling层(实验验证包含1、2、3和4层卷积层的CNN，2层CNN分类精度最高，因此用包含两层卷积层的CNN进行对比实验)，卷积模板的大小、通道数、全连接部分的参数个数与本发明的多尺度卷积神经网络一致。

本发明提出的MCNN分类结果的混淆矩阵如表3所示：

表3 MCNN分类结果混淆矩阵

由表3可知，五种类型的心拍的总体分类准确率较高。其中，室性前期收缩(V)类别的分类准确率比较低，通过研究波形可知，此类心拍有包含正向波形和一部分倒置波形。

各个方法分类的整体分类精度如表4所示：

表4各个方法心拍分类的整体精度表

整体精度越高越好，由表4可知，四种方法的分类的整体精度差别不大。其中，本发明提出的MCNN分类的整体精度最高，MCNN和包含两层卷积层的CNN的分类整体精度要高于其他两种方法。

各个方法心拍分类的敏感度、特异性、正检率结果分别如表5～表7所示：

表5各方法各类型心拍敏感度对比表

表6各方法各类型心拍特异性对比表

表7各方法各类型心拍正检率对比表

灵敏度Se越高，说明某种疾病的识别能力越高，漏诊的几率越低；特异性Sp表示对非本类疾病的诊断能力；正检率Pp代表了在被确诊的病例中正确检测疾病的能力，三项指标均是越高越好。由表5～表7可知，各个方法对不同类别心律失常心拍的分类性能接近，本发明提出的多尺度卷积神经网络的分类的三项指标相对其他两种方法较高，与整体精度OA的结果保持一致。

至此，本发明实施例基于多尺度卷积神经网络的心律失常心拍分类方法介绍完毕。依据以上描述，本领域技术人员应当对本发明基于多尺度卷积神经网络的心律失常心拍分类方法有了清楚的认识。

需要说明的是，在附图或说明书正文中，未绘示或描述的实现方式，均为所属技术领域中普通技术人员所知的形式，并未进行详细说明。此外，上述对各元件和方法的定义并不仅限于实施例中提到的各种具体结构、形状或方式，本领域普通技术人员可对其进行简单地更改或替换。

还需要说明的是，本发明可提供包含特定值的参数的示范，但这些参数无需确切等于相应的值，而是可在可接受的误差容限或设计约束内近似于相应值。此外，除非特别描述或必须依序发生的步骤，上述步骤的顺序并无限制于以上所列，且可根据所需设计而变化或重新安排。并且上述实施例可基于设计及可靠度的考虑，彼此混合搭配使用或与其他实施例混合搭配使用，即不同实施例中的技术特征可以自由组合形成更多的实施例。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于多尺度卷积神经网络的心律失常心拍分类方法，其中，包括：

定位心电信号中R波的位置，根据R波的位置对心电信号进行分割得到分割的心拍信号；

将分割的心拍信号分为正常心拍(N)、左束支传导阻滞(L)、右束支传导阻滞(R)、起搏心拍(P)和室性期前收缩(V)五类心律失常心拍。

2.根据权利要求1所述的基于多尺度卷积神经网络的心律失常心拍分类方法，其中，所述定位心电信号中R波的位置的步骤中，心电信号是采用基于相关性的小波熵阈值心电信号去噪方法进行去噪、去除基线漂移、工频干扰和肌电噪声的心电信号。

3.根据权利要求1所述的基于多尺度卷积神经网络的心律失常心拍分类方法，其中，所述根据R波的位置对心电信号进行分割得到分割的心拍信号的步骤中，

采用双正交二次B样条小波对去噪后的信号进行4尺度小波分解；

在第3尺度上，对小波系数的正负极大值对进行阈值处理，保留与R波对应的正负极大值对；计算正负极大值对的过零点来定位R波并修正时移；

在RR间期内检查有没有R波的漏检和多检，并对其进行修正，其RR间期为任意两个R波峰值间的距离；

以R波为基准，向左取70个点，向右取145个点自动分割心拍。

4.根据权利要求3所述的基于多尺度卷积神经网络的心律失常心拍分类方法，其中，所述采用双正交二次B样条小波对去噪后的信号进行4尺度小波分解的步骤中，小波分解采用的二次B样条小波的滤波器组如下：

h为低通滤波函数，也就是尺度函数，g为高通滤波函数，也就是小波函数。

5.根据权利要求3所述的基于多尺度卷积神经网络的心律失常心拍分类方法，其中，所述在第3尺度上，对小波系数的正负极大值对进行阈值处理，保留与R波对应的正负极大值对的步骤中，保留与R波对应的正负极大值对方法如下：

设定正负模极大值的阈值thr₁和thr₂，其中，心电信号被平分为4个区间，M为4个区间的模最大值的平均值，N为4个区间的模最小值的平均值。

6.根据权利要求3所述的基于多尺度卷积神经网络的心律失常心拍分类方法，其中，所述在RR间期内检查有没有R波的漏检和多检，并对其进行修正的步骤中，对R波漏检和多检的检查及修正方法如下：

如果RR间期＞1.6meanRR，meanRR为RR间期的平均值，则认为可能存在漏检，修正阈值thr₁和thr₂，使

重新在此RR间期内按照修改的阈值重新检测R波，如果仍没有找到，则认为没有漏检；

如果RR间期＜0.4meanRR，则可能存在多检，则保留较大的R波，去除较小的R波。

7.根据权利要求1所述的基于多尺度卷积神经网络的心律失常心拍分类方法，其中，所述将分割的心拍信号分为正常心拍(N)、左束支传导阻滞(L)、右束支传导阻滞(R)、起搏心拍(P)和室性期前收缩(V)五类心律失常心拍的步骤包括：

对分割的心拍信号归一化；

搭建网络结构，对信号进行4次下采样，形成4个多尺度并行分支；分别对各并行分支网络进行局部卷积，并采用最大值池化层进行池化；对多个尺度分支卷积得到的特征进行串联连接，最后送入全连接层进行分类；

采用交叉熵函数作为目标函数，采用小批量随机梯度下降法训练网络。

8.根据权利要求7所述的基于多尺度卷积神经网络的心律失常心拍分类方法，其中，所述对分割的心拍信号归一化的步骤中，归一化公式如下：

其中，x为归一化之前的心拍信号，x^*为归一化之后的心拍信号，μ为所有样本数据的均值，σ为所有样本的标准差。

9.根据权利要求7所述的基于多尺度卷积神经网络的心律失常心拍分类方法，其中，所述搭建网络结构的步骤中，

所述局部卷积采用ReLU函数为激活函数，公式如下：ReLU(x)＝max(x，0)；其中，x为节点的输入值，ReLU(x)为节点的输入经过激活函数之后的激活值；

所述全连接层共包含两层，最后一层为输出层，输出为y₁，y₂，…y_n，n为输出节点的个数，全连接层的输出层再经过softmax层将神经网络的输出变成一个概率分布，并计算交叉熵作为目标函数；

对第i个输出节点y_i经过softmax层后变为：

所述目标函数采用交叉熵函数，如下式所示：

式中，C为交叉熵函数值，也就是目标函数值，m为样本个数，t_i为真实的分类类别。

10.根据权利要求7所述的基于多尺度卷积神经网络的心律失常心拍分类方法，其中，所述采用小批量随机梯度下降法训练网络的步骤中，批量大小设为64。