基于改进MobileNetV3的隐匿性房室旁路心电图识别模型

针对MobilenetV3模型在隐匿性房室旁路心电图识别任务中计算量大、性能不佳,导致难以直接部署至移动嵌入式设备中的问题,文章提出了一种融合Ghost模块、量化感知训练和精准门控机制的改进MobileNetV3模型。首先,在MobileNetV3的瓶颈结构中引入Ghost模块,加强模型的浅层特征提取能力;其次,在MobileNetV3的卷积层上使用量化感知训练,减少模型计算量;最后,采用精准门控机制,增强MobileNetV3模型的泛化能力和深层特征提取能力。通过在ECG12心电图数据集上进行实验,结果表明,改进MobileNetV3模型的计算量为13.94M,缩减为MobileNetV3模型的9.29%,且其准确率为95.64%,可满足移动嵌入式设备的部署要求,用于隐匿性房室旁路的心电图识别。