TWI875539B

TWI875539B - 一種多輸入且混合數據的st改變事件自動偵測方法

Info

Publication number: TWI875539B
Application number: TW113110871A
Authority: TW
Inventors: 林俊成; 葉政育
Original assignee: 國立勤益科技大學
Priority date: 2024-03-22
Filing date: 2024-03-22
Publication date: 2025-03-01
Also published as: TW202537591A

Abstract

本發明一種多輸入且混合數據的ST改變事件自動偵測方法，其採用長時間資料庫(Long-Term ST Database)所提供選自於不同受測者之心電圖訊號，予以分別建立作為一訓練集及一測試集的資料，並利用一可偵測10秒鐘ST改變事件的深度學習技術建立一自動偵測模型，接著以該訓練集與該測試集對該自動偵測模型進行訓練與測試，通過編碼、特徵提取、卷積運算以及進行非線性轉換與串接維度特徵後，再利用非線性擬合能力來用於輸出各類別的預測機率的演算，以獲得一最佳化的模型，藉此輸入受測者之心電圖訊號至該模型中處理，最終輸出分類的結果，以自動偵測辨識出受測者是否為ST改變事件，有效提升準確度。

Description

一種多輸入且混合數據的ST改變事件自動偵測方法

本發明係有關於一種心電圖之ST改變事件的偵測辨識，特別是指一種多輸入且混合數據的ST改變事件自動偵測方法。

查，心肌缺血是氧氣和營養輸送與心肌需求之間的不平衡所造成的，包括供應缺血與需求缺血二大類，在供應缺血方面是因為冠狀動脈部分阻塞，導致進入心肌的含氧血液量減少，另外，在需求缺血方面則是指因為運動、心動過速或情緒引起的氧氣需求量增加，而導致暫時性不平衡的情況，故一旦有心肌缺血狀況時，會導致部分心肌失去電活動，並可能導致急性心肌梗塞，最壞的情況甚至會導致死亡，因此，心肌缺血的早期辨識和預防是非常重要的，且心肌缺血通常是一種短暫現象，持續的時間有限，在短時間常規心電圖的檢查過程中容易被遺漏，因此，為了能有效辨識出是否具有心肌缺血的症狀，患者在維持正常生活的同時，需要採用長時間的霍特心電圖(Holter ECG)或動態心電圖(Ambulatory ECG; AECG)來連續記錄24小時兩到三個通道的心電圖數據，故心肌缺血在心電圖上的表現為ST區段水平和形態的短暫改變，稱為短暫的缺血性ST改變事件；然而，除了缺血性ST改變事件之外，還有其他非缺血性ST改變事件，包括心率變化引起的ST區段水平和形態的變化、心臟電軸突然移動與心室傳導變化所導致ST區段水平突然的改變、以及晝夜變化或藥物作用導致ST區段水平緩慢漂移；因此，要在心電圖記錄中正確地偵測出代表心肌缺血的缺血性ST改變事件是一項重要且困難的任務。

接續前述，近年來已有一些研究採用提供註記的長時間ST資料庫(Long-Term ST Database)來開發缺血性ST改變事件自動偵測系統。長時間ST資料庫所提供四種ST改變事件的註記包括：

(1) ISE (Ischemic Event)：是與缺血相容的短暫ST段改變事件，稱為缺血性ST改變事件，其特徵在於 ST 段形態的改變，可能有或沒有伴隨心率的改變；這種缺血類型為典型且最常見的ST 段形態的改變包括水平變平、向下傾斜、成勺狀(Scooping)、或抬高。

(2) HRE (Heart Rate Related Event)：是由於心率改變所引起的非缺血性且短暫的ST段改變事件，稱為與心率相關的ST改變事件，其特徵在於ST段形態和心率的改變；這種類型的典型且最常見的ST 段形態的改變包括J點降低且具有正斜率、T波進入ST段、尖聳的T波、或與參考或基礎ST段相比的ST段平行移位。

(3) ASE (Axis Shift Event)：是由姿勢改變引起的非缺血性ST段改變事件，稱為軸偏移事件；其是由於心臟QRS電軸同時緩慢或突然改變所引起的緩慢或突然改變，其特點是Q波、R 波或S波振幅的改變。

(4) CCE (Conduction Change Event)：是由於心室傳導改變所引起的非缺血性ST偏移，稱為傳導改變事件；其是由於陣發性或間歇性右或左束支傳導阻礙，或其他緩慢或突然的心室內或間歇性QRS傳導改變引起的緩慢或突然變化，其特點是奇怪的和更寬的QRS波。

因此，在先前的研究中，使用長時間ST資料庫所提出的缺血性ST改變事件偵測方法可以區分為基於特徵工程的方法(Feature-Engineering-Based Methods)和基於特徵學習的方法(Feature-Learning-Based Methods)，在該基於特徵工程的方法中是採用特定的方法先計算輸入心電圖訊號的特徵值，再訓練分類器，但是，在目前基於特徵工程的方法都需要依賴資料庫註記的ST改變事件的起始點、極值點、或結束點來提取特徵，然而，在真實世界的臨床應用，ST改變事件的起始點、極值點、或結束點都是無法事先取得的，因此這些方法將無法應用在臨床上沒有提供註記的心電圖訊號。

再者，對於基於特徵學習的方法可以從訓練的過程中自動學習與分類輸入心電圖訊號的特徵值；惟，在長時間ST資料庫註記ST改變事件的黃金標準是心臟專家的意見，他們除了根據ST段波形的變化類型之外，還會檢視受測者詳細的臨床訊息與病史，藉此才能決定受測者的ST改變事件是否屬於缺血性還是非缺血性ST改變事件。

同時，在開發ST改變事件自動偵測系統時，輸入的訊號除了心電圖訊號之外，還必需包括可能與缺血性ST改變事件有關的病歷資料，例如：年齡、血壓、曾經心絞痛的次數、曾經心肌梗塞的次數、是否曾患有冠動脈心臟病(Coronary Heart Disease；CHD)、是否曾患有心血管疾病(Cardiovascular Disease(CVD)、是否有高血壓(Hypertension；HTN)、是否有高血糖(Hyperglycemia；HGC)、是否有高血脂 (Hyperlipidemia; HLD)等；然而，目前的ST改變事件偵測系統如果只單獨依靠心電圖訊號，沒有提供多方面資料的輸入輔助應用，並不足以正確地辨識ST改變事件；藉此，為了可預期能夠進一步提升ST改變事件偵測的準確度，本案發明人潛心研究並更深入構思，且針對前述問題歷經多次研發改善後，以提出本發明之申請。

因此，本發明之目的，是在提供一種多輸入且混合數據的ST改變事件自動偵測方法，以通過輸入之心電圖與病歷資料的多輸入混合進行偵測是否為ST改變事件，有效提升偵測辨識的準確度。

於是，本發明一種多輸入且混合數據的ST改變事件自動偵測方法，其由一電腦軟體執行，對輸入之心電圖訊號進行偵測與辨識，同時該心電圖訊號包括有受測者經一心電圖機量測所得之心電圖及對應的病歷資料，而所述自動偵測方法包含有建立資料集、建立自動偵測模型及訓練與測試模型等步驟；其中，該建立資料集步驟即採用長時間ST資料庫的心電圖訊號，以分為一訓練集與一測試集，另，該建立自動偵測模型步驟是採用可偵測10秒鐘ST改變事件的深度學習技術建立一自動偵測模型，該自動偵測模型由一特徵提取模組及一分類模組所組成；是以，輸入該訓練集與該測試集至該自動偵測模型進行訓練與測試，使該自動偵測模型經訓練與測試過程，以對輸入之該訓練集與該測試集之心電圖訊號中的病歷資料進行編碼，及調整編碼後的陣列資料中的每一元素的權重，同時亦對該心電圖進行特徵提取，以經卷積運算後進行非線性轉換，再串接成具有維度的特徵向量輸出，再通過該分類模組可增加該自動偵測模型的非線性擬合能力，直達到一優化條件時，即獲得一最佳化的模型，藉此再將受測者之心電圖訊號輸入至該最佳化模型內，即可以有效大幅提升對受測者之心電圖是否為ST改變事件之偵測辨識的準確度。

有關本發明之前述及其他技術內容、特點與功效，在以下配合參考圖式之較佳實施例的詳細說明中，將可清楚的明白。

參閱圖1，本發明一較佳實施例，一種多輸入且混合數據的ST改變事件自動偵測方法，其由一電腦軟體執行，以對輸入之心電圖訊號進行偵測與辨識，同時該心電圖訊號包括有受測者經一心電圖機量測所得之心電圖及對應的病歷資料，而所述偵測方法包含有一建立資料集步驟1、一建立自動偵測模型步驟2及一訓練與測試模型步驟3。

仍續前述，該建立資料步驟1中以採用長時間資料庫(Long-Term ST Database)所提供選自於不同受測者之心電圖訊號，予以分為一訓練集及一測試集，該訓練集與該測試集中分別包含有多個具有10秒鐘之ISE心電圖訊號，及多個具有10秒鐘之非ISE的心電圖訊號，每一份10秒鐘該心電圖訊號對應有一組病歷資料，該病歷資料至少包括有年齡、收縮壓、舒張壓、曾經心絞痛次數、曾經心肌梗塞次數、以及其他二元數據，而該二元數據當然還具有如：是否曾患有冠狀動脈心臟病、是否曾患有心血管疾病、是否有高血壓、是否有高血糖、是否有高血脂等，以下僅以該病歷資料以有年齡、收縮壓、舒張壓、曾經心絞痛次數、曾經心肌梗塞次數、以及其他二元數據為例說明。

請參閱圖2，在該建立自動偵測模型步驟2中係採用可偵測10秒鐘ST改變事件的深度學習技術建立一自動偵測模型20，該自動偵測模型20由輸入至輸出具有一特徵提取模組21，以及一分類模組22，其中，該特徵提取模組21具有一卷積網路211、至少一編碼單元212，一與該編碼單元212連接之全連接層213，以及一分別與該卷積網路211、全連接層213連接之串接層單元214，而前述該編碼單元212對應該病歷資料的細項數量呈相對應的數量設置，且一一進行編碼，故訊號輸入時，該編碼單元212即會針對該訊號中之該病歷資料的細項一一編碼為陣列資料後，再經該全連接層213自動分析該陣列資料每一元素的重要性，並增加重要元素的權重，且降低不重要元素的權重，以取得維度為1×1之資料輸出。

請配合參閱圖3，而該卷積網路211則可對該心電圖訊號中的心電圖進行特徵的提取，同時該卷積網路211由七層架構相同之卷積層a所組成，該每一卷積層a還包含有一個卷積核大小為3×1的卷積層a1，一個批次標準化層a2，一個使用ReLU6函數的ReLU激活層a3(Activation Layer)，一個池化大小為2的最大池化層a4，以及一個捨棄率為50%的捨棄層a5，該卷積層a1的使用是用來提取該心電圖的特徵值，且該批次標準化層a2的運用是為了進入該ReLU激活層a3前對數據進行標準化，以提高該卷積網路211的速度、性能和穩定性，同時應用該最大池化層a4的目的則是藉由選擇特徵值中神經元鄰近區域的最大值，來降低網路複雜性和過度擬合性的可能，當然利用池化大小為2可以將每一個特徵值的元素數量減少一半，最後再由該捨棄層a5透過以隨機省略50%的節點，其可減少過度擬合的狀況，故不會有過度擬合，而造成準確率低的情事產生，是以當通過該批次標準化層a2與該捨棄層a5可以提高模型訓練的速度並降低過度擬合的情形，再由該ReLU激活層a3係採用ReLU6函數激活函數，且該函數會限制輸出的最大值為6，其可以幫助以深度學習之技術的模型在被卷積運算後進行非線性轉換，藉此能夠更有效的擬合非線性的函數，最後以具有特徵向量維度輸出；至於，該串接層單元214可將該卷積網路211、全連接層213所輸出之特徵向量與資料串接成具有維度的特徵向量後再輸出。

另，該分類模組22係與該串接層單元214連接，以能夠讓該卷積層a或該全連接層213的輸出結果被限制在一定範圍內，該分類模組22為由二具有512個神經元的全連接層221，一具以2個神經元的全連接層222及一多分類函數223(Softmax)組成，同時該每一全連接層221(222)還包括有一個批次標準化層b1，一個ReLU6函數的ReLU激活層b2，一個池化大小為2的最大池化層b3，以及一個捨棄比率為50%的捨棄層b4，如圖4所示，同時該全連接層221(222)中的該ReLU激活層b2與上述該卷積層a的該ReLU激活層a3，同樣皆使用ReLU6函數激活函數，且函數一樣限制輸出的最大值為6，而該多分類函數223主要在於可將輸入轉化為概率分佈，且用於輸出各類別的預測機率，藉此得以幫助模型預估的確定性，包括ISE組與非ISE組。

在該訓練與測試模型步驟3中，以該訓練集與測試集中採用長時間ST資料庫中有61位受測者同時具有ISE心電圖訊號，以及有80位受測者具有非ISE心電圖訊號等資料，來對以深度學習技術進行運算之自動偵測模型進行訓練與測試，即如圖5所示之以該訓練集與該測試集的10秒鐘心電圖的總數量，以及10等份交叉驗證中每一等份10秒鐘心電圖的數量，該每一個10秒鐘心電圖訊號也對應有一組病歷資料，該病歷資料包括年齡、收縮壓、舒張壓、曾經心絞痛次數、曾經心肌梗塞次數、是否曾患有冠狀動脈心臟病 (Coronary Heart Disease; CHD)、是否曾經患有心血管疾病(Cardiovascular Disease (CVD)、是否有高血壓 (Hypertension; HTN)、是否有高血糖 (Hyperglycemia; HGC)、是否有高血脂 (Hyperlipidemia; HLD)等；因此先輸入該訓練集至該自動偵測模型20中，使該自動偵測模型20進行訓練的執行，以在訓練時，該訓練集採用複數等份之受測者的心電圖訊號以交叉驗證方式進行，即為採用10等份交叉驗證方式來訓練與測試所提出的深度學習技術之該自動偵測模型20，以每一次只測試1等份的心電圖，其他9等份的心電圖用於訓練模型，同一位受測者的心電圖不會被分配到不同份中，以確保每一次的訓練集與測試集的受測者都是獨立的，避免訓練集與測試集同時出現來自於同一位受測者類似的心電圖訊號；是以，當受測者的心電圖訊號輸入後，該病歷資料中的年齡、收縮壓、舒張壓、曾經心絞痛次數、曾經心肌梗塞次數、以及其他二元數據等，便會逐一被進行編碼，因此在對年齡的編碼方式，參圖6a所示，係以歲為單位，年齡係依分為10個級距，每一級距編碼為0或1，當年齡落入某一級距時編碼為1，其收縮壓、舒張壓、曾經心絞痛如圖中所示，例如以年齡38歲為例，其係屬於31-40的級距，則該級距的編碼為1，其他級距編碼為0，因此38歲經編碼後的陣列資料為[0,0,0,1,0,0,0,0,0,0]。

參圖6b所示，對收縮壓的編碼方式，係以mmHg為單位，收縮壓係依分為14個級距，每一個級距編碼為0或1，當收縮壓落入某一級距時編碼為1，其他級距編碼為0，例如為：收縮壓為122mmHg時，屬於121-130的級距，則該級距的編碼為1，其他級距編碼為0，因此收縮壓122mmHg經編碼後的陣列資料為[0,0,0,0,1,0,0,0,0,0,0,0,0]。

參圖6c所示，對於該舒張壓的編碼方式，係以mmHg為單位，舒張壓係依分為11個級距，每一個級距編碼為0或1，當舒張壓落入某一級距時編碼為1，其他級距編碼為0，例如為：舒張壓為95mmHg時，屬於91-100的級距，則該級距的編碼為1，其他級距編碼為0，因此舒張壓95mmHg經編碼後的陣列資料為[0,0,0,0,0,0,1,0,0,0,0]。

參圖6d所示，對於曾經心絞痛(Angina)的編碼方式，以發生次數為單位，其次數可依分為0次到7次，當次數為某一次數時編碼為1，其他次數的編碼為0，例如為：曾經心絞痛2次時，則2次的編碼為1，其他次數的編碼為0，因此曾經心絞痛2次經編碼後的陣列資料為[0,0,1,0,0,0,0]。

參圖6e所示，在曾經心肌梗塞(Myocardial Infarction;MI)的編碼方式上，係以發生次數為單位，其次數可分為0次到4次，當次數為某一次數時編碼為1，其他次數編碼為0，例如為：曾經心梗塞1次時，則1次的編碼為1，其他次數的編碼則為0，因此曾經心梗塞1次經編碼後的陣列資料為[0,1,0,0,0]。

參圖6f所示，在其他二元數據的編碼方式上，係以每一欄位代表一個二元數據，由左至右為之，即第1欄位代表性別(Sex)，男性編碼為1，女性編碼為0，在第2欄位代表是否曾患有冠狀動脈心臟病(Coronary Heart Disease;CHD)，是則編碼為1，否則編碼為0，在第3欄位上係代表是否曾患有心血管疾病(Cardiovascular Disease (CVD)，是則編碼為1，否則是編碼為0，在第4個欄位代表是否曾經患有高血壓 (Hypertension; HTN)，是則編碼為1，否則編碼為0，在第5個欄位代表是否曾經患有高血糖 (Hyperglycemia; HGC)，是則編碼為1，否則是編碼為0，最後在第6個欄位為代表是否曾經患有高血脂 (Hyperlipidemia; HLD)，是則編碼為1，否則是編碼為0。

是以，當該等編碼單元212完成該病歷資料中之每一組編碼後的陣列資料後，以再經過該全連接層213去強化陣列中重要元素，舉例來說：當輸入的陣列資料長度為1×N，該全連接層213只有1個神經元，且有N個輸入對應N個權重值，陣列資料的每一個元素乘以相對應的權重值之後再加總起來做為輸出，輸出資料的長度為1×1；再以曾經心肌梗塞為例：曾經心肌梗塞1次經編碼後的陣列資料為[0,1,0,0,0]，長度為1×5，該全連接層213的5個權重值便會為[0.5,0.6,0.7,0.8,1.2]，則該全連接層213的輸出為0.6(0×0.5+1×0.6+0.7+0*0.8+0*1.2)，故藉由該全連接層213的設計目的是要通過深度學習技術的方式去自動分析陣列資料中每一元素的重要性，以增加重要元素的權重，並且降低不重要元素的權重，所以當該病歷資料經該編碼單元212的編碼後會形成有6個陣列資料，再經過6個該全連接層213之後會取得6個維度為1×1的資料。

仍續上述，該卷積網路211在該編碼單元212對該訊號中的病歷資料進行編碼的同時，也同步對該心電圖訊號中的心電圖進行特徵值的提取，使該特徵值在深度學習之技術經卷積運算後進行非線性轉換，藉此能夠更有效的擬合非線性的函數，最後會輸出的特徵向量維度為1×8，而後由該串接層單元214將對該病歷資料所取得6個維度1×1的資料，以及與該卷積網路211所輸出維度為1×8的特徵向量予以串接成維度為1×14的特徵向量後再輸出至該分類模組22，而該分類模組22會讓該卷積層a或該全連接層213的輸出結果被限制在一定範圍內，並使用該多分類函數223來將輸入轉化為概率分佈，以幫助模型預估的確定性，有助於輸出各類別的預測機率，包括ISE組與非ISE組的分類，代表已取得最佳化模型，接著輸入該測試集中的心電圖訊號來測試該模型的真實效能，最後再將受測者之具有心電圖、病歷資料的心電圖訊號輸入至經訓練與測試後之該最佳化模型內，即可以有效大幅提升對受測者之心電圖是否為ST改變事件之偵測辨識的準確度；故，通過本發明所提出一種多輸入且混合數據的ST改變事件自動偵測方法之技術，可顯示經訓練與測試是否為ST改變事件之結果的顯示平均準確度可達88%以上，以得到最終的分類結果。

歸納前述，本發明一種多輸入且混合數據的ST改變事件自動偵測方法，其主要可針對受測者是否為有ST改變事件的情事產生，透過建立資料集、建立自動偵測模型及訓練與測試模型等步驟進行，並將該建立資料集步驟輸入至自動偵測模型進行訓練，使該自動偵測模型採可偵測10秒鐘ST改變事件的深度學習技術，對輸入之心電圖訊號通過編碼、特徵提取、卷積運算以及進行非線性轉換與串接維度特徵後，再利用非線性擬合能力來用於輸出各類別的預測機率的演算，以獲得一最佳化的模型，接著輸入該測試集中的心電圖訊號來測試該模型的真實效能，其可顯示經訓練與測試是否為ST改變事件之結果的顯示平均準確度可達88%以上，以得到最終的分類結果，最後再將受測者之具有心電圖、病歷資料的心電圖訊號輸入至該最佳化模型內，即可以有效大幅提升對受測者之心電圖是否為ST改變事件之偵測辨識的準確度。

惟以上所述者，僅為說明本發明之較佳實施例而已，當不能以此限定本發明實施之範圍，即大凡依本發明申請專利範圍及發明說明書內容所作之簡單的等效變化與修飾，皆應仍屬本發明專利涵蓋之範圍內。

(本發明) 1:建立資料集步驟 2:建立自動偵測模型步驟 3:訓練與測試模型步驟 20:自動偵測模型 21:特徵提取模組 211:卷積網路 212:編碼單元 213:全連接層 214:串接層單元 221、222:全連接層 223:多分類函數 a、a1:卷積層 a2、b1:批次標準化層 a3、b2:ReLU激活層 a4、b3:最大池化層 a5、b4:捨棄層

圖1是本發明之一較佳實施例之流程圖。圖2是該較佳實施例之自動偵測模型的方塊示意圖。圖3是該較佳實施例之卷積網路之卷積層的方塊示意圖。圖4是該較佳實施例之分類模組之全連接層的方塊示意圖。圖5是訓練集與測試集10秒鐘心電圖訊號的數量的示意圖。圖6a至6f是該較佳實施例之病歷資料之每一組編碼的示意圖。

1:建立資料集步驟

2:建立自動偵測模型步驟

3:訓練與測試模型步驟

Claims

一種多輸入且混合數據的ST改變事件自動偵測方法，其由一電腦軟體執行，而所述自動偵測方法包含有：一建立資料集步驟，採用長時間資料庫(Long-Term ST Database)所提供選自於不同受測者之心電圖訊號，予以分為一訓練集及一測試集，該訓練集與該測試集中分別包含有多個具有10秒鐘之ISE心電圖訊號，及多個具有10秒鐘之非ISE的心電圖訊號，每一份10秒鐘該心電圖訊號對應有一組病歷資料，該病歷資料至少包括有年齡、收縮壓、舒張壓、曾經心絞痛次數、曾經心肌梗塞次數、以及其他二元數據；一建立自動偵測模型步驟，採用可偵測10秒鐘ST改變事件的深度學習技術建立一自動偵測模型，其中，該自動偵測模型從輸入至輸出具有一特徵提取模組，以及一分類模組，該特徵提取模組可對該病歷資料進行編碼，及調整編碼後的陣列資料中的每一元素的權重，同時亦對該心電圖訊號進行特徵提取，以經卷積運算後進行非線性轉換，再串接成具有維度的特徵向量輸出，該分類模組可增加該自動偵測模型的非線性擬合能力，以用於輸出各類別的預測機率結果；及一訓練與測試模型步驟，對該自動偵測模型進行訓練與測試，輸入該訓練集與該測試集，即採用複數等份之心電圖訊號以交叉驗證方式，每一次只測試1等份的心電圖訊號，其他剩餘之等份的心電圖用於訓練模型，且同一位受測者的心電圖不會被分配到不同份中，以確保每一次的該訓練集與該測試集的受測者都是獨立的，避免該訓練集與該測試集同時出現來自於同一位受測者類似的心電圖訊號，藉以取得一最佳化模型，輸入之受測者的心電圖訊號，以通過該最佳化模型最終自動分類出預測機率的偵測辨識結果。
根據請求項1所述一種多輸入且混合數據的ST改變事件自動偵測方法，其中，該特徵提取模組包括有一卷積層網路、至少一編碼單元，一與該編碼單元連接之全連接層，以及一分別與該卷積層網路、全連接層連接之串接層單元，該卷積層網路針對輸入的心電圖進行特徵提取，並經運算後輸出具有維度1×8的特徵向量，該編碼單元針對輸入的該病料資料進行編碼為陣列資料，經該全連接層自動分析該陣列資料每一元素的重要性，增加重要元素的權重，並降低不重要元素的權重，以取得維度為1×1之資料輸出，由該串接層單元將取得的維度為1×1之資料與維度為1×8的特徵向量串接成維對為1×14的特徵向量。
根據請求項2所述一種多輸入且混合數據的ST改變事件自動偵測方法，其中，該編碼單元對應該病歷資料的細項數量呈相對應的數量設置，且該每一編碼單元連有一該全連接層。
根據請求項2所述一種多輸入且混合數據的ST改變事件自動偵測方法，其中，該卷積層網路具有七層架構相同之卷積層所組成，該每一卷積層還包含有一個卷積核大小為3×1的卷積層，一個批次標準化層，一個ReLU6函數的ReLU激活層，一個池化大小為2的最大池化層，以及一個捨棄率為50%的捨棄層。
根據請求項1所述一種多輸入且混合數據的ST改變事件自動偵測方法，其中，該分類模組為由二具有512個神經元的全連接層，一具有2個神經元的全連接及一多分類函數(Softmax)組成，該每一一全連接層包括有一個批次標準化層，一個ReLU6函數的ReLU激活層，一個池化大小為2的最大池化層，以及一個捨棄比率為50%的捨棄層。