任曉霞

(張家口學(xué)院數(shù)學(xué)與信息科學(xué)學(xué)院,河北 張家口 075000)

心電信號(hào)數(shù)據(jù)作為一項(xiàng)重要的人體生理指標(biāo),能夠有效輔助醫(yī)生進(jìn)行心腦血管相關(guān)病癥的臨床診斷和提前預(yù)警具有重大指導(dǎo)意義[1]。隨著可穿戴式數(shù)據(jù)采集設(shè)備和無(wú)線傳感技術(shù)的迅猛發(fā)展,圍繞可穿戴式心電信號(hào)數(shù)據(jù)的采集與分析引起了業(yè)界關(guān)注[2]。

目前心電信號(hào)數(shù)據(jù)分析的臨床應(yīng)用方式主要借助心電圖儀及配套分析軟件進(jìn)行可疑波段的初步篩選,然后依靠醫(yī)生經(jīng)驗(yàn)對(duì)心電圖數(shù)據(jù)進(jìn)行分析,從而對(duì)心血管相關(guān)病癥進(jìn)行診斷。24 h動(dòng)態(tài)心電圖一般包含10萬(wàn)個(gè)左右心拍的心電信號(hào)數(shù)據(jù),可穿戴式心電監(jiān)護(hù)設(shè)備更是要實(shí)時(shí)采集人體每天的大量心電信號(hào),可見(jiàn),心電信號(hào)數(shù)據(jù)初步篩選過(guò)程的準(zhǔn)確性、篩選率、速度直接影響醫(yī)生的診斷準(zhǔn)確性,制約了可穿戴式心電監(jiān)護(hù)設(shè)備和移動(dòng)醫(yī)療的推廣。

深度卷積神經(jīng)網(wǎng)絡(luò)DCNN(Deep Convolutional Neural Network)被認(rèn)為是一種適合模式檢測(cè)和分類任務(wù)的重要深度學(xué)習(xí)方法[3]。近年來(lái),針對(duì)深度學(xué)習(xí)的理論研究獲得了前所未有的關(guān)注,DCNN在諸如圖像識(shí)別[4]、自然語(yǔ)言處理[5]、視頻識(shí)別[6]和語(yǔ)音處理[7]等各種應(yīng)用中取得了巨大突破。心電信號(hào)數(shù)據(jù)可以看作一類特殊的一維圖像,研究者已經(jīng)提出了基于卷積神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)方法的心電數(shù)據(jù)分類方法。金林鵬等基于導(dǎo)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的臨床心電圖分類算法上提出多種策略,提升實(shí)際應(yīng)用中的算法性能[8]。劉明等將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用與心電信號(hào)的分類中,提出基于單心拍心房活動(dòng)特征的房顫?rùn)z測(cè)算法[9]。進(jìn)一步,提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的心電圖T波分類算法,獲得了在T波起始點(diǎn)未確定情況下較好的T波形態(tài)分類正確率[10]。另一方面,DCNN的過(guò)擬合(over fitting)也限制了其在具體應(yīng)用中的性能,研究者針對(duì)過(guò)擬合提出了Dropout策略[11]。

心電信號(hào)數(shù)據(jù)的ST段形態(tài)分類能夠有效輔助醫(yī)生對(duì)于心血管相關(guān)疾病的診斷做出支持,但是,ST段波形的變化形態(tài)十分復(fù)雜,尤其病人個(gè)體之間的差異比較明顯,提出針對(duì)病人個(gè)性化的ST段波形分類方法對(duì)于臨床應(yīng)用具有更高價(jià)值;另一方面,由于病人長(zhǎng)期心電數(shù)據(jù)的采集分析相對(duì)滯后,訓(xùn)練集樣本數(shù)量規(guī)模較小,導(dǎo)致DCNN訓(xùn)練得到的模型準(zhǔn)確率降低。因此,有必要研究更加適合于臨床應(yīng)用的針對(duì)小規(guī)模訓(xùn)練樣本集的ST段波形分類方法。

本文針對(duì)心電信號(hào)數(shù)據(jù)ST段波形分類問(wèn)題提出一種基于Dropout DCNN的分類識(shí)別算法,解決DCNN在實(shí)際應(yīng)用中的過(guò)擬合問(wèn)題。第1節(jié)對(duì)基于ST段分類的心電臨床診斷進(jìn)行簡(jiǎn)要介紹,并從總體流程角度闡述了ST段波形分類算法的設(shè)計(jì)思想;第2節(jié)介紹心電數(shù)據(jù)預(yù)處理過(guò)程,包括基于小波轉(zhuǎn)換的去噪算法和ST段候選段提取方法;第3節(jié)提出基于Dropout DCNN的ST段波形分類算法,通過(guò)與完整深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)比闡述算法關(guān)鍵步驟;第4節(jié)通過(guò)仿真實(shí)驗(yàn)對(duì)算法的波形分類準(zhǔn)確率、卷積核個(gè)數(shù)影響和Dropout對(duì)算法泛化能力影響三方面性能進(jìn)行分析評(píng)價(jià);第5節(jié)進(jìn)行總結(jié)。

1 基于ST段分類的心電臨床診斷

心電圖目前仍然是針對(duì)心血管類相關(guān)疾病進(jìn)行臨床診斷的重要輔助手段之一,圖1所示位正常心電圖一個(gè)心拍的波形圖。通過(guò)心電波形的變化,可以將其劃分為P波、QRS波、T波等主要波段以及PR段、ST段、PR間期以及QT間期,并且單心拍過(guò)程中這些波段與心肌、心電傳到束等組織的生理情況具有密切關(guān)系。

圖1 正常心電圖

正常心電圖中的ST段位于等電位線附近,如果出現(xiàn)ST段改變現(xiàn)象則需要進(jìn)一步分析原因,結(jié)合臨床其他癥狀進(jìn)行判斷,比如ST段的改變常常被認(rèn)為與心肌損傷以及老年人心絞痛或心肌梗塞有關(guān)。ST段改變的波形表現(xiàn)方式多種多樣,在心電圖上可能呈現(xiàn)水平壓低、上斜型壓低、弓背向下抬高、碑樣抬高等不同類型時(shí)域特征[12],如圖2所示。

圖2 幾種常見(jiàn)的ST段異常波形

臨床應(yīng)用的心電圖儀以及迅速發(fā)展的可穿戴式心電監(jiān)護(hù)設(shè)備一般采用某種心電數(shù)據(jù)分析算法從獲取到的長(zhǎng)時(shí)間多心拍的心電信號(hào)中快速篩選出一部分疑似異常心電波形進(jìn)行波形繪制與初步判斷,然后由醫(yī)生結(jié)合經(jīng)驗(yàn)進(jìn)行人工判讀與臨床診斷。心電信號(hào)的分析篩選算法一般需要從十萬(wàn)個(gè)以上心拍中進(jìn)行特征提取,篩選出盡量少而且準(zhǔn)確的疑似波形,從而減輕醫(yī)生人工判讀負(fù)擔(dān),提高臨床診斷的準(zhǔn)確性。目前常用的方法包括小波特征、高階統(tǒng)計(jì)量、功率譜特征、Lyapunov系數(shù)、Hermit系數(shù)、Shannon熵、Hermit多項(xiàng)式系數(shù)、線性預(yù)測(cè)誤差特征等一系列數(shù)理特征提取方法,并配合時(shí)域特征、波形特征等統(tǒng)計(jì)分析方法[1]。

由于心電信號(hào)數(shù)據(jù)的復(fù)雜性和個(gè)體間差異性,目前沒(méi)有一種適合所有波形以及病癥的特征分類方法。本文提出了一種基于Dropout深度卷積神經(jīng)網(wǎng)絡(luò)的ST段波形分類算法,算法流程如圖3所示。

圖3 ST段波形分類算法流程

算法首先輸入含有噪聲和復(fù)雜冗余信息的原始心電信號(hào)數(shù)據(jù),然后采用小波變換去除原始數(shù)據(jù)中的噪聲干擾,并通過(guò)估算ST段起點(diǎn)和ST段間期長(zhǎng)度進(jìn)行心電數(shù)據(jù)ST段候選段篩選,完成心電信號(hào)數(shù)據(jù)預(yù)處理?；陬A(yù)處理的心電數(shù)據(jù),建立基于Dropout的深度卷積神經(jīng)網(wǎng)絡(luò)模型,并提出基于波段特性的ST段分類算法。

2 ST段心電信號(hào)數(shù)據(jù)預(yù)處理

由于受到人體生物電信號(hào)以及外部環(huán)境干擾,心電圖儀和可穿戴式心電監(jiān)護(hù)儀采集得到的原始心電信號(hào)數(shù)據(jù)包含了大量的噪聲信號(hào),并且24 h監(jiān)測(cè)獲得的心電信號(hào)主要由正常心電數(shù)據(jù)組成,需要提取其中更有臨床價(jià)值的疑似異常心電信號(hào)進(jìn)行分析。因此,在心電信號(hào)數(shù)據(jù)的ST段波形分類之前首先需要進(jìn)行心電數(shù)據(jù)預(yù)處理,去除其中噪聲干擾因素,然后進(jìn)行ST段候選段提取,作為進(jìn)一步心電波形分類的輸入數(shù)據(jù)。

2.1 心電信號(hào)數(shù)據(jù)去噪

采用小波變換法對(duì)原始的心電信號(hào)數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理,去除原始數(shù)據(jù)中的部分噪聲。由于一個(gè)心拍的R波波峰是最為明顯和容易識(shí)別的,因此在預(yù)處理過(guò)程中同時(shí)標(biāo)注每個(gè)心拍的R波波峰位置。

由于心電信號(hào)受到工頻信號(hào)、生物電信號(hào)以及其他外部噪聲影響,原始心電信號(hào)數(shù)據(jù)中可能存在多種強(qiáng)弱和頻率的不同類型噪聲。為了提高對(duì)于不同類噪聲的適應(yīng)性和去燥效果,選用能夠自動(dòng)調(diào)節(jié)閾值尺度的自適應(yīng)閾值小波變換法對(duì)原始心電信號(hào)數(shù)據(jù)進(jìn)行去噪處理[10]。自適應(yīng)閾值定義如式(1)所示:

(1)

通過(guò)小波閾值去噪處理,能夠在一定程度減少心電信號(hào)數(shù)據(jù)中的低尺度高頻干擾信號(hào)。然后對(duì)心電信號(hào)進(jìn)行R波峰值提取。因?yàn)樾碾姴ㄐ蔚哪芰看蟛糠志奂赒RS波群,而R波峰值可以看作心拍波形的能量峰值。通過(guò)劃分每個(gè)心拍的時(shí)間窗并在窗內(nèi)尋找極大值點(diǎn),從而標(biāo)注得到每個(gè)心拍波形的R波峰值位置。

2.2 ST段候選段提取

標(biāo)注完成每個(gè)心拍波形的R波峰值位置之后,以R波峰值為基準(zhǔn)點(diǎn)截取一定長(zhǎng)度的心電數(shù)據(jù)作為ST段候選段,其中需要解決的核心問(wèn)題包括ST段起點(diǎn)估算、ST段間期長(zhǎng)度估算。

ST段起點(diǎn)的估算采用式(2):

(2)

式中:|RR|表示心電RR間期,即所有心拍R波峰值之間的時(shí)間間期平均值。

ST段間期長(zhǎng)度采用式(3)進(jìn)行估算:

LenST=φ·lg(10|RR|+0.03)

(3)

式中:φ表示ST段間期長(zhǎng)度估算因子,取值0.14。

基于估算的ST段起點(diǎn)和ST段間期長(zhǎng)度,可以將經(jīng)過(guò)去噪的心電信號(hào)數(shù)據(jù)劃分為每個(gè)心拍周期的ST段數(shù)據(jù)。為了進(jìn)一步分析ST段改變情況,本文按照120個(gè)心拍一段的間期對(duì)心電數(shù)據(jù)進(jìn)行劃分形成樣本,即每個(gè)心電數(shù)據(jù)贗本包含120個(gè)ST段波形。

3 Dropout深度卷積神經(jīng)網(wǎng)絡(luò)波形分類方法

深度卷積神經(jīng)網(wǎng)絡(luò)被認(rèn)為是一種適合模式檢測(cè)和分類任務(wù)的重要深度學(xué)習(xí)方法,近年來(lái)該方法已經(jīng)成功應(yīng)用于圖像識(shí)別、自然語(yǔ)言處理、視頻識(shí)別和語(yǔ)音處理等多個(gè)領(lǐng)域。完整深度卷積網(wǎng)絡(luò)模型在各層神經(jīng)元之間進(jìn)行全連接,導(dǎo)致卷積過(guò)程易出現(xiàn)過(guò)擬合(over-fitting)現(xiàn)象,影響算法的泛化性能和魯棒性[11];針對(duì)過(guò)擬合問(wèn)題,最近有研究者借鑒進(jìn)化算法中的自然選擇思想,引入了Dropout概念,從概率角度隨機(jī)減小DCNN各層神經(jīng)元之間的連接數(shù)量,從而提高算法魯棒性。本節(jié)首先介紹用于心電數(shù)據(jù)分析的完整深度卷積神經(jīng)網(wǎng)絡(luò)模型,然后結(jié)合ST段波形特點(diǎn)提出基于Dropout DCNN的ST段波形分類算法,力求在保證波形分類準(zhǔn)確度的前提下加快分類算法的速度,并提高疑似異常ST段心電信號(hào)數(shù)據(jù)波段的篩選正確率。

3.1 完整深度卷積神經(jīng)網(wǎng)絡(luò)模型

深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)一般是由多個(gè)卷積層(Convolution layer)和池化層(Pooling layer)交替組成的多層神經(jīng)網(wǎng)絡(luò)模型。完整DCNN在相鄰層神經(jīng)元之間進(jìn)行全連接,圖4所示為擬應(yīng)用于ST段波形分類的完整深度卷積神經(jīng)網(wǎng)絡(luò)模型,包含輸入層、卷積層C1、池化層S1、卷積層C2、池化層S2和輸出層。

圖4 完整深度卷積神經(jīng)網(wǎng)絡(luò)

從完成去噪和ST段標(biāo)注劃分的樣本集中隨機(jī)選取200個(gè)樣本構(gòu)成訓(xùn)練集,作為DCNN的輸入。根據(jù)前文所述,每個(gè)樣本包含120個(gè)心拍,200個(gè)樣本包含24 000個(gè)心拍,按照24 h動(dòng)態(tài)心電數(shù)據(jù)包含約10萬(wàn)個(gè)心拍計(jì)算,訓(xùn)練樣本采樣率約為24%。

卷積層C1也稱為特征提取層,在卷積神經(jīng)網(wǎng)絡(luò)中充當(dāng)模糊濾波器的角色,接收輸入層傳來(lái)的特征向量,由卷積核進(jìn)行卷積運(yùn)算,經(jīng)過(guò)激活函數(shù)計(jì)算得出卷積特征映射結(jié)果。卷積層的輸出采用式(4)計(jì)算[10]:

(4)

池化層S1連接在卷積層C1之后,也稱為下采樣層,利用下采樣函數(shù)實(shí)現(xiàn)數(shù)據(jù)抽樣,使得特征保持不變性。池化層可以起到二次特征提取作用,一般通過(guò)下采樣函數(shù)并進(jìn)行偏置運(yùn)算得到。

卷積層C2進(jìn)行再次特征提取,設(shè)定卷積核大小為8,提取S1層經(jīng)過(guò)下采樣得到的特征值,經(jīng)過(guò)卷積運(yùn)算輸出特征映射向量。池化層S2進(jìn)行再次下采樣運(yùn)算,計(jì)算過(guò)程與S1類似。

輸出層通過(guò)分類器及其參數(shù)描述心電信號(hào)數(shù)據(jù)的分類結(jié)果。設(shè)定輸出層包含3個(gè)神經(jīng)元,S2層包含16×8=128個(gè)神經(jīng)元,輸出層與S2層包含128×3=384個(gè)連接,可以看作用一個(gè)384維向量表示分類結(jié)果,對(duì)于心電信號(hào)數(shù)據(jù)的ST段波形分類具有較強(qiáng)的描述能力。

3.2 基于Dropout DCNN的ST段分類算法

前文所述完整深度卷積神經(jīng)網(wǎng)絡(luò)具有兩個(gè)卷積層和兩個(gè)池化層,是一個(gè)結(jié)構(gòu)相對(duì)簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò),但是可以看出卷積擬合過(guò)程已經(jīng)比較復(fù)雜。在DCNN實(shí)際應(yīng)用過(guò)程中,這種過(guò)擬合現(xiàn)象往往導(dǎo)致神經(jīng)網(wǎng)絡(luò)泛化能力大大減弱,訓(xùn)練時(shí)間過(guò)長(zhǎng)限制了DCNN在心電信號(hào)數(shù)據(jù)分析臨床應(yīng)用的可操作性。

為了解決DCNN在心電數(shù)據(jù)ST段分類的過(guò)擬合問(wèn)題,本文提出了基于Dropout DCNN的ST段分類算法。算法基于前文所述完整深度卷積神經(jīng)網(wǎng)絡(luò)模型,在訓(xùn)練過(guò)程中根據(jù)概率隨機(jī)地舍棄某些神經(jīng)元和相關(guān)連接,等價(jià)于同時(shí)訓(xùn)練多個(gè)子網(wǎng)絡(luò)。圖5所示為一個(gè)隨機(jī)舍棄了若干神經(jīng)元的Dropout深度卷積神經(jīng)網(wǎng)絡(luò)。

圖5 Dropout深度卷積神經(jīng)網(wǎng)絡(luò)

相比于完整DCNN,基于Dropout DCNN的ST段波形分類算法通過(guò)概率形式約減了網(wǎng)絡(luò)結(jié)構(gòu),能夠一定程度提高神經(jīng)網(wǎng)絡(luò)的泛化能力,并且約減后的子網(wǎng)絡(luò)相互之間共享權(quán)重,參數(shù)的數(shù)量級(jí)是O(n2)。已有相關(guān)研究指出這種基于Dropout的神經(jīng)網(wǎng)絡(luò)在樣本訓(xùn)練時(shí)間和訓(xùn)練結(jié)果方面的表現(xiàn)具有更高的適用性和魯棒性[11]。

4 實(shí)驗(yàn)與性能分析

為了驗(yàn)證本文提出的基于Dropout深度卷積神經(jīng)網(wǎng)絡(luò)的ST段分類算法性能,本節(jié)從波形分類準(zhǔn)確率、卷積核個(gè)數(shù)影響和Dropout對(duì)算法泛化能力影響3個(gè)方面進(jìn)行仿真實(shí)驗(yàn)。本文從QT數(shù)據(jù)庫(kù)中選取2 600個(gè)長(zhǎng)度為120個(gè)心拍的心電信號(hào)數(shù)據(jù)構(gòu)建深度卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本集和測(cè)試樣本集進(jìn)行仿真實(shí)驗(yàn)與分析,兩個(gè)樣本集的樣本數(shù)量分別為20%和80%。QT數(shù)據(jù)庫(kù)由MIT-BIH數(shù)據(jù)庫(kù)和歐洲的ST-T數(shù)據(jù)庫(kù)提供,每個(gè)心電信號(hào)數(shù)據(jù)記錄包含頭文件、信號(hào)文件和注釋文件[10]。

4.1 波形分類準(zhǔn)確率

波形分類準(zhǔn)確率能夠體現(xiàn)算法針對(duì)正常和多種異常ST段波形的識(shí)別準(zhǔn)確性。本文針對(duì)2 600*80%=2 080個(gè)測(cè)試樣本分別采用訓(xùn)練完成的Dropout DCNN算法和專家手工標(biāo)注方法進(jìn)行ST段波形分類,按照正常波形以及水平壓低、上斜型壓低、弓背向下抬高、碑樣太高4種異常波形進(jìn)行統(tǒng)計(jì),分類結(jié)果如表1所示。

表1 波形分類結(jié)果

從波形分類的統(tǒng)計(jì)結(jié)果可以看出,采用Dropout DCNN算法得到的實(shí)驗(yàn)標(biāo)注結(jié)果與專家手工標(biāo)注結(jié)果從數(shù)量上接近,而且兩者的重復(fù)率在正常與4種異常ST段波形分類上均達(dá)到98%以上,作為輔助醫(yī)生臨床診斷和心電信號(hào)數(shù)據(jù)初步篩選方法,認(rèn)為其能夠滿足實(shí)際應(yīng)用需要。

4.2 卷積核個(gè)數(shù)影響

深度卷積神經(jīng)網(wǎng)絡(luò)的泛化能力和實(shí)際可用性很大程度上受到卷積運(yùn)算速度制約,如前文所述,卷積核個(gè)數(shù)對(duì)卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度和分類識(shí)別率起到關(guān)鍵作用。對(duì)4.2節(jié)提出了Dropout DCNN神經(jīng)網(wǎng)絡(luò)設(shè)置不同的卷積核個(gè)數(shù)進(jìn)行仿真實(shí)驗(yàn),比較其對(duì)于樣本訓(xùn)練時(shí)間和測(cè)試集識(shí)別率的影像,實(shí)驗(yàn)結(jié)果統(tǒng)計(jì)如表2所示。

表2 卷積核個(gè)數(shù)對(duì)算法影響

從結(jié)果統(tǒng)計(jì)能夠看出卷積核個(gè)數(shù)為4和6時(shí)測(cè)試集識(shí)別率在95%以下,卷積核個(gè)數(shù)為8和10時(shí)識(shí)別率達(dá)到了98%以上,同時(shí)樣本訓(xùn)練時(shí)間也有所延長(zhǎng)。相比而言,本文設(shè)定的ST段波形訓(xùn)練樣本集比較適合設(shè)定卷積核個(gè)數(shù)為8,在樣本訓(xùn)練時(shí)間和測(cè)試集識(shí)別率方面有較好的平衡。

4.3 Dropout對(duì)算法泛化能力影響

表3 幾種神經(jīng)網(wǎng)絡(luò)的性能比s較

從表3中4種神經(jīng)網(wǎng)絡(luò)對(duì)于相同訓(xùn)練樣本集的訓(xùn)練時(shí)間和測(cè)試樣本集的識(shí)別率結(jié)果可以看出:BP神經(jīng)網(wǎng)絡(luò)擁有相對(duì)較短的訓(xùn)練時(shí)間,但是識(shí)別率相對(duì)較低;RNN在訓(xùn)練時(shí)間和識(shí)別率兩方面的性能表現(xiàn)相對(duì)居中;DCNN算法得到了最高的識(shí)別率,但是所耗訓(xùn)練時(shí)間最長(zhǎng);Dropout DCNN在相對(duì)較短的訓(xùn)練時(shí)間下得到了98.7%的識(shí)別率,一定程度上降低了DCNN的過(guò)擬合現(xiàn)象,提高了深度卷積神經(jīng)網(wǎng)絡(luò)的泛化能力。在實(shí)際應(yīng)用中,需要權(quán)衡樣本訓(xùn)練時(shí)間和識(shí)別率兩方面性能,認(rèn)為相比于BP、RNN和DCNN,Dropout DCNN能夠在較短的訓(xùn)練時(shí)間前提下得到相對(duì)較高的識(shí)別率,具有更好的實(shí)際應(yīng)用價(jià)值。

5 結(jié)論

采用卷積神經(jīng)網(wǎng)絡(luò)解決心電信號(hào)數(shù)據(jù)的波形分類問(wèn)題在臨床應(yīng)用和理論研究領(lǐng)域都具有重要意義。但是,深度卷積神經(jīng)網(wǎng)絡(luò)易于陷入過(guò)擬合現(xiàn)象制約了其在實(shí)際應(yīng)用中的可用性。本文針對(duì)心電信號(hào)數(shù)據(jù)ST段波形分類問(wèn)題,在卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上提出一種基于概率隨機(jī)舍棄建立子網(wǎng)絡(luò)機(jī)制的Dropout DCNN算法。通過(guò)仿真實(shí)驗(yàn)與對(duì)比分析驗(yàn)證了算法在波形分類準(zhǔn)確率、卷積核個(gè)數(shù)影響和Dropout對(duì)算法泛化能力影響3個(gè)方面的表現(xiàn),與專家手工標(biāo)注、BP、RNN和DCNN等神經(jīng)網(wǎng)絡(luò)等進(jìn)行比較,分析了樣本訓(xùn)練時(shí)間、測(cè)試集識(shí)別率等指標(biāo),實(shí)驗(yàn)結(jié)果表明Dropout DCNN相比于完整深度卷積神經(jīng)網(wǎng)絡(luò)能夠提高神經(jīng)網(wǎng)絡(luò)泛化能力,在較短的訓(xùn)練時(shí)間前提下得到相對(duì)較高的識(shí)別率,使算法在實(shí)際應(yīng)用的可用性得到了有效提升。