CN116383649A - 基于新型生成对抗网络的心电信号增强方法 - Google Patents
基于新型生成对抗网络的心电信号增强方法 Download PDFInfo
- Publication number
- CN116383649A CN116383649A CN202310340465.0A CN202310340465A CN116383649A CN 116383649 A CN116383649 A CN 116383649A CN 202310340465 A CN202310340465 A CN 202310340465A CN 116383649 A CN116383649 A CN 116383649A
- Authority
- CN
- China
- Prior art keywords
- network
- layer
- convolution
- bilstm
- convolution block
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000015654 memory Effects 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 210000002569 neuron Anatomy 0.000 claims abstract description 14
- 230000003044 adaptive effect Effects 0.000 claims abstract description 12
- 238000011176 pooling Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 60
- 230000004913 activation Effects 0.000 claims description 48
- 238000012549 training Methods 0.000 claims description 25
- 230000002457 bidirectional effect Effects 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 9
- 238000012952 Resampling Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000002194 synthesizing effect Effects 0.000 claims description 4
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000007493 shaping process Methods 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/094—Adversarial learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Cardiology (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Fuzzy Systems (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Complex Calculations (AREA)
Abstract
一种基于新型生成对抗网络的心电信号增强方法,通过使用不同隐藏神经元大小的双向长短时记忆神经网络的多分支结构,同时,将不同BiLSTM前向传播的最后一个时间步的输出进行拼接,有效增强了生成器模型对输入数据的理解和表达能力。提出了一个新的心电信号增强模块EEA‑Net,该模块使用了自适应卷积层动态的调整卷积核的大小,使得模型能够更加灵活的处理不同长度的输入序列,同时该模型使用了自适应平均池化层对输入数据进行加权平均池化,以便更好地捕捉输入数据的重要信息。
Description
技术领域
本发明涉及心电信号处理技术领域,具体涉及一种基于新型生成对抗网络的心电信号增强方法。
背景技术
目前由于现有的心电数据库中的正常信号和异常信号严重失衡,导致现有的心电信号分类方法在不平衡心电数据集上的分类效果不佳。因此,有效的心电信号增强技术有助于提升不平衡心电数据的分类效果。
传统的方法主要包括利用数学模型、平移、加噪等方式实现心电信号扩增;现有的深度学习方法主要包括利用过采样技术、编解码结构等生成心电信号。但是,这些方法对于心电信号增强的效果不如预期所想,且对于生成的心电信号质量没有客观的判断标准。生成对抗网络是目前广泛使用的数据扩增方法之一,目前在心电信号处理领域也有了一定的应用。但是,由于当前不平衡心电信号数据集中部分类别的数据量仍然相对较小,因此使用GAN模型合成高质量的数据存在一定的困难。
发明内容
本发明为了克服以上技术的不足,提供了一种基于新型生成对抗网络的心电信号增强方法。
本发明克服其技术问题所采用的技术方案是:
一种基于新型生成对抗网络的心电信号增强方法,包括如下步骤:
a)将采集到的心电信号进行重采样操作;
b)将重采样后的心电信号数据进行归一化处理;
c)利用Pan_Tompkin检测算法提取归一化后的心电信号的R波位置,按R波前m个采样点和R波后n个采样点将归一化后的心电信号进行心拍划分,得到心拍数据集,U={U1,U2,...,Ut,...,UZ},Ut为第t条心拍记录,t∈{1,2,...,Z},Z为心拍的条数,每条心拍记录的长度为N,每条心拍记录的维度均为1*N维;d)将心拍数据集U以a:b:c的比例划分为训练集Xtrain、验证集Xval、测试集Xtest;
e)建立由生成器网络和鉴别器网络构成的生成对抗网络模型,将随机噪声Noisefixed按照批次大小batch输入到生成对抗网络模型的生成器网络中,输出得到合成信号集合Xg,随机噪声Noisefixed的维度为batch*1*N维;
g)通过博弈的方式训练生成器网络和鉴别器网络;
h)将维度为batch*1*N维的随机噪声Ng输入到训练后的生成器网络中,输出得到增强的心电信号Ug。
优选的,步骤a)中重采样时的采样频率为125Hz。
优选的,步骤d)中a=7,b=1.5,c=1.5。
进一步的,步骤e)包括如下步骤:
e-1)生成器网络依次由第一卷积块、第二卷积块、第三卷积块、多分支双向长短时记忆神经网络模块、EEA-Net模块、全连接层构成;
e-2)第一卷积块依次由卷积层、BatchNorm1d层、Swish激活函数层构成,将随机噪声Noisefixed输入到第一卷积块的卷积层中,输出得到特征X1-1,将特征X1-1输入到第一卷积块的BatchNorm1d层中,输出得到特征X1-2,将特征X1-2输入到第一卷积块的Swish激活函数层中,输出得到特征X1;e-3)第二卷积块依次由卷积层、BatchNorm1d层、Swish激活函数层构成,将特征X1输入到第二卷积块的卷积层中,输出得到特征X2-1,将特征X2-1输入到第二卷积块的BatchNorm1d层中,输出得到特征X2-2,将特征X2-2输入到第二卷积块的Swish激活函数层中,输出得到特征X2;
e-4)第三卷积块依次由卷积层、BatchNorm1d层、Swish激活函数层、Max-pooling层构成,将特征X2输入到第三卷积块的卷积层中,输出得到特征X3-1,将特征X3-1输入到第三卷积块的BatchNorm1d层中,输出得到特征X3-2,将特征X3-2与特征X1-2进行拼接操作后输入到第三卷积块的Swish激活函数层中,输出得到特征X3-3,将特征X3-3输入到第三卷积块的Max-pooling层中,输出得到特征X3;
e-5)生成器网络的多分支双向长短时记忆神经网络模块由第一BiLSTM网络、第二BiLSTM网络、第三BiLSTM网络构成,将特征X3输入到第一BiLSTM网络中通过公式Xbilstm1=concat(hL,1,hR,1)计算得到第一BiLSTM网络的输出Xbilstm1,式中concat(·)为拼接操作,hL,1为第一BiLSTM网络的前向传播最后一个时间步的隐藏状态,hR,1为第一BiLSTM网络的后向传播最后一个时间步的隐藏状态,将特征X3输入到第二BiLSTM网络中通过公式Xbilstm2=concat(concat(hL,1,hL,2),hR,2)计算得到第二BiLSTM网络的输出Xbilstm2,式中hL,2为第二BiLSTM网络的前向传播最后一个时间步的隐藏状态,hR,2为第二BiLSTM网络的后向传播最后一个时间步的隐藏状态,将特征X3输入到第三BiLSTM网络中通过公式Xbilstm3=concat(concat(hL,2,hL,3),hR,3)计算得到第三BiLSTM网络的输出Xbilstm3,式中hL,3为第三BiLSTM网络的前向传播最后一个时间步的隐藏状态,hR,3为第三BiLSTM网络的后向传播最后一个时间步的隐藏状态,通过公式X4=concat(Xbilstm1,Xbilstm2,Xbilstm3)计算得到多分支双向长短时记忆神经网络模块的最终输出特征X4;
e-6)生成器网络的EEA-Net模块由第一卷积块、第二卷积块、自适应平均池化层、第三卷积块、全连接模块构成,第一卷积块依次由卷积层、LeakyReLU激活函数层构成,第二卷积块依次由自适应卷积层、LeakyReLU激活函数层构成,第三卷积块依次由卷积层、LeakyReLU激活函数层构成,全连接模块依次由全连接层、Sigmoid激活函数层构成;
e-7)将特征X4输入到生成器网络的EEA-Net模块的第一卷积块中,输出得到特征X4-1,特征X4输入到生成器网络的EEA-Net模块的第二卷积块中,输出得到特征X4-2,将特征X4-1与特征X4-2进行拼接操作,得到拼接结果C1,将拼接结果C1分别依次输入到EEA-Net模块的自适应平均池化层、第三卷积块、全连接模块,输出得到特征信息XE,将特征信息XE与特征X4进行点乘操作后得到EEA-Net模块的最终的输出特征X5;
e-8)将输出特征X5输入到生成器网络的全连接层中,输出得到合成信号集合Xg。
优选的,步骤e-2)中第一卷积块的卷积层的卷积核大小为1×3,步长为1,填充为1;步骤e-3)中第二卷积块的卷积层的卷积核大小为1×5,步长为2,填充为2;步骤e-4)中第三卷积块的卷积层的卷积核大小为1×3,步长为1,填充为1,步骤e-5)中第一BiLSTM网络的神经元数量为64,第二BiLSTM网络的神经元数量为128,第三BiLSTM网络的神经元数量为256,步骤e-6)中的第一卷积块的卷积层的卷积核大小为1×3,步长为1,填充为1;步骤e-6)中第二卷积块的自适应卷积层的步长为1,填充为1;步骤e-6)中的第三卷积块的卷积层的卷积核大小为1×5,步长为1,填充为1。
进一步的,步骤f)包括如下步骤:
f-1)生成对抗网络模型的鉴别器网络依次由双向长短时记忆网络BiLSTM、第一全连接层、第一Swish激活函数层、第二全连接层、第二Swish激活函数层、Dropout层、第三全连接层、Sigmoid层构成;
f-2)将训练集Xtrain按照批次输入到鉴别器网络的双向长短时记忆网络BiLSTM中,得到特征X6,将特征X6依次输入到鉴别器网络的第一全连接层、第一Swish激活函数层、第二全连接层、第二Swish激活函数层、Dropout层、第三全连接层、Sigmoid层中,输出得到输出标签f-3)将合成信号集合Xg按照批次输入到鉴别器网络的双向长短时记忆网络BiLSTM中,得到特征X7,将特征X7依次输入到鉴别器网络的第一全连接层、第一Swish激活函数层、第二全连接层、第二Swish激活函数层、Dropout层、第三全连接层、Sigmoid层中,输出得到输出标签/>优选的,步骤f-1)中双向长短时记忆网络BiLSTM中隐藏神经元的个数为128,步骤f-1)中Dropout层的随机丢弃率为0.2。
进一步的,步骤g)包括如下步骤:
g-1)构造全1的真实标签Lreal,构造全0的虚假标签Lfake;
g-2)通过公式
计算得到鉴别器网络的损失函数lossD;
g-3)通过公式
g-4)利用Adam优化器,通过生成器网络的损失函数lossG训练生成器网络,通过鉴别器网络的损失函数lossD训练鉴别器网络,得到优化后的生成对抗网络模型。
优选的,β=0.7,γ=0.2。
优选的,步骤g-4)中训练时生成器网络与鉴别器网络的学习率均设置为0.0002,批次大小均为128,迭代次数均为2500次,生成器网络与鉴别器网络的学习率每500次更新为原来的0.1倍。
本发明的有益效果是:通过使用不同隐藏神经元大小的双向长短时记忆神经网络的多分支结构,同时,将不同BiLSTM前向传播的最后一个时间步的输出进行拼接,有效增强了生成器模型对输入数据的理解和表达能力。本发明在生成器中提出了一个新的心电信号增强模块EEA-Net,该模块使用了自适应卷积层动态的调整卷积核的大小,使得模型能够更加灵活的处理不同长度的输入序列,同时该模型使用了自适应平均池化层对输入数据进行加权平均池化,以便更好地捕捉输入数据的重要信息。然后,经过卷积层、全连接层等处理后,模型将获取到的信息与原始数据进行点乘操作,以关注心电信号的重要特征信息。通过多分支双向长短时记忆神经网络与EEA-Net相结合构成的生成器与鉴别器进行博弈训练,使得生成器能够更好的捕捉到心电信号的重要特征信息,有利于生成高质量的心电信号。
附图说明
图1为本发明的生成对抗网络模型的结构图;
图2为本发明的多分支双向长短记忆神经网络模块的结构图;
图3为本发明的EEA-Net模块的结构图。
具体实施方式
下面结合附图1、附图2、附图3对本发明做进一步说明。
一种基于新型生成对抗网络的心电信号增强方法,包括如下步骤:
a)将采集到的心电信号进行重采样操作。在本发明的一个具体实施例中,优选的,步骤a)中重采样时的采样频率为125Hz。
b)将重采样后的心电信号数据进行归一化处理。
c)利用Pan_Tompkin检测算法提取归一化后的心电信号的R波位置,按R波前m个采样点和R波后n个采样点将归一化后的心电信号进行心拍划分,得到心拍数据集,U={U1,U2,...,Ut,...,UZ},Ut为第t条心拍记录,t∈{1,2,...,Z},Z为心拍的条数,每条心拍记录的长度为N,每条心拍记录的维度均为1*N维。d)将心拍数据集U以a:b:c的比例划分为训练集Xtrain、验证集Xval、测试集Xtest。在本发明的一个具体实施例中,优选的,a=7,b=1.5,c=1.5。
e)建立由生成器网络和鉴别器网络构成的生成对抗网络模型,将随机噪声Noisefixed按照批次大小batch输入到生成对抗网络模型的生成器网络中,输出得到合成信号集合Xg,随机噪声Noisefixed的维度为batch*1*N维。
g)通过博弈的方式训练生成器网络和鉴别器网络。
h)将维度为batch*1*N维的随机噪声Ng输入到训练后的生成器网络中,输出得到增强的心电信号Ug。
本发明提出了一种基于新型生成对抗网络的心电信号增强方法。生成对抗网络模型的生成器通过采用多分支双向长短记忆神经网络与心电信号增强网络(EEA-Net)捕捉心电信号的底层特征并对心电信号进行增强,进而生成高质量的心电信号;然后使用鉴别器对真实心电信号及合成心电信号进行判断,判断其为真实信号及合成信号的概率;通过生成器和鉴别器的博弈优化,生成对抗网络可用于生成高质量的心电信号数据,为解决不平衡心电数据分类问题提供了有力的支持。
实施例1:
步骤e)包括如下步骤:
e-1)生成器网络依次由第一卷积块、第二卷积块、第三卷积块、多分支双向长短时记忆神经网络模块、EEA-Net模块、全连接层构成。
e-2)第一卷积块依次由卷积层、BatchNorm1d层、Swish激活函数层构成,将随机噪声Noisefixed输入到第一卷积块的卷积层中,输出得到特征X1-1,将特征X1-1输入到第一卷积块的BatchNorm1d层中,输出得到特征X1-2,将特征X1-2输入到第一卷积块的Swish激活函数层中,输出得到特征X1。
e-3)第二卷积块依次由卷积层、BatchNorm1d层、Swish激活函数层构成,将特征X1输入到第二卷积块的卷积层中,输出得到特征X2-1,将特征X2-1输入到第二卷积块的BatchNorm1d层中,输出得到特征X2-2,将特征X2-2输入到第二卷积块的Swish激活函数层中,输出得到特征X2。
e-4)第三卷积块依次由卷积层、BatchNorm1d层、Swish激活函数层、Max-pooling层构成,将特征X2输入到第三卷积块的卷积层中,输出得到特征X3-1,将特征X3-1输入到第三卷积块的BatchNorm1d层中,输出得到特征X3-2,将特征X3-2与特征X1-2进行拼接操作后输入到第三卷积块的Swish激活函数层中,输出得到特征X3-3,将特征X3-3输入到第三卷积块的Max-pooling层中,输出得到特征X3。
e-5)生成器网络的多分支双向长短时记忆神经网络模块由第一BiLSTM网络、第二BiLSTM网络、第三BiLSTM网络构成,将特征X3输入到第一BiLSTM网络中通过公式Xbilstm1=concat(hL,1,hR,1)计算得到第一BiLSTM网络的输出Xbilstm1,式中concat(·)为拼接操作,hL,1为第一BiLSTM网络的前向传播最后一个时间步的隐藏状态,hR,1为第一BiLSTM网络的后向传播最后一个时间步的隐藏状态,将特征X3输入到第二BiLSTM网络中通过公式Xbilstm2=concat(concat(hL,1,hL,2),hR,2)计算得到第二BiLSTM网络的输出Xbilstm2,式中hL,2为第二BiLSTM网络的前向传播最后一个时间步的隐藏状态,hR,2为第二BiLSTM网络的后向传播最后一个时间步的隐藏状态,将特征X3输入到第三BiLSTM网络中通过公式Xbilstm3=concat(concat(hL,2,hL,3),hR,3)计算得到第三BiLSTM网络的输出Xbilstm3,式中hL,3为第三BiLSTM网络的前向传播最后一个时间步的隐藏状态,hR,3为第三BiLSTM网络的后向传播最后一个时间步的隐藏状态,多分支双向长短时记忆神经网络模块的最终输出为三个双向长短记忆神经网络(BiLSTM)的输出在第三个维度上的拼接结果,具体的,通过公式X4=concat(Xbilstm1,Xbilstm2,Xbilstm3)计算得到多分支双向长短时记忆神经网络模块的最终输出特征X4。
e-6)生成器网络的EEA-Net模块由第一卷积块、第二卷积块、自适应平均池化层、第三卷积块、全连接模块构成,第一卷积块依次由卷积层、LeakyReLU激活函数层构成,第二卷积块依次由自适应卷积层、LeakyReLU激活函数层构成,第三卷积块依次由卷积层、LeakyReLU激活函数层构成,全连接模块依次由全连接层、Sigmoid激活函数层构成。
e-7)将特征X4输入到生成器网络的EEA-Net模块的第一卷积块中,输出得到特征X4-1,特征X4输入到生成器网络的EEA-Net模块的第二卷积块中,输出得到特征X4-2,将特征X4-1与特征X4-2进行拼接操作,得到拼接结果C1,将拼接结果C1分别依次输入到EEA-Net模块的自适应平均池化层、第三卷积块、全连接模块,输出得到特征信息XE,将特征信息XE与特征X4进行点乘操作后得到EEA-Net模块的最终的输出特征X5。
实施例2:
e-8)将输出特征X5输入到生成器网络的全连接层中,输出得到合成信号集合Xg。
进一步优选的,步骤e-2)中第一卷积块的卷积层的卷积核大小为1×3,步长为1,填充为1;步骤e-3)中第二卷积块的卷积层的卷积核大小为1×5,步长为2,填充为2;步骤e-4)中第三卷积块的卷积层的卷积核大小为1×3,步长为1,填充为1,步骤e-5)中第一BiLSTM网络的神经元数量为64,第二BiLSTM网络的神经元数量为128,第三BiLSTM网络的神经元数量为256,步骤e-6)中的第一卷积块的卷积层的卷积核大小为1×3,步长为1,填充为1;步骤e-6)中第二卷积块的自适应卷积层的步长为1,填充为1,其卷积核大小可以根据输入数据的特点自适应地调整,自适应平均池化层的池化核大小也可以根据输入数据的特点自适应的调整;步骤e-6)中的第三卷积块的卷积层的卷积核大小为1×5,步长为1,填充为1。
实施例3:
步骤f)包括如下步骤:
f-1)生成对抗网络模型的鉴别器网络依次由双向长短时记忆网络BiLSTM、第一全连接层、第一Swish激活函数层、第二全连接层、第二Swish激活函数层、Dropout层、第三全连接层、Sigmoid层构成。在本发明的一个实施例中,优选的,步骤f-1)中双向长短时记忆网络BiLSTM中隐藏神经元的个数为128,步骤f-1)中Dropout层的随机丢弃率为0.2。
f-2)将训练集Xtrain按照批次输入到鉴别器网络的双向长短时记忆网络BiLSTM中,得到特征X6,将特征X6依次输入到鉴别器网络的第一全连接层、第一Swish激活函数层、第二全连接层、第二Swish激活函数层、Dropout层、第三全连接层、Sigmoid层中,输出得到输出标签输出标签/>为0和1的集合,其中0、1为在判断输入信号的真假时所输出的标签,若为真则用1表示,若为假则用0表示。
f-3)将合成信号集合Xg按照批次输入到鉴别器网络的双向长短时记忆网络BiLSTM中,得到特征X7,将特征X7依次输入到鉴别器网络的第一全连接层、第一Swish激活函数层、第二全连接层、第二Swish激活函数层、Dropout层、第三全连接层、Sigmoid层中,输出得到输出标签输出标签/>为0和1的集合,其中0、1为在判断输入信号的真假时所输出的标签,若为真则用1表示,若为假则用0表示。
实施例4:
步骤g)包括如下步骤:
g-1)构造全1的真实标签Lreal,构造全0的虚假标签Lfake。
g-2)计算鉴别器的损失,鉴别器的损失为在训练过程中判断输入的真实数据所输出的标签与真实标签的差异及判断输入的虚假数据所输出的标签和虚假标签之间的交叉熵损失之和,具体的,通过公式
计算得到鉴别器网络的损失函数lossD。
g-3)计算生成器的损失,生成器的损失为鉴别器对合成信号的判定结果与真实标签之间的交叉熵损失及生成器合成的数据与真实数据之间的MSE损失之和,具体的通过公式
g-4)利用Adam优化器,通过生成器网络的损失函数lossG训练生成器网络,通过鉴别器网络的损失函数lossD训练鉴别器网络,得到优化后的生成对抗网络模型。在本发明的一个具体实施例中,步骤g-4)中训练时生成器网络与鉴别器网络的学习率均设置为0.0002,批次大小均为128,迭代次数均为2500次,生成器网络与鉴别器网络的学习率每500次更新为原来的0.1倍。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。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 (10)
1.一种基于新型生成对抗网络的心电信号增强方法,其特征在于,包括如下步骤:
a)将采集到的心电信号进行重采样操作;
b)将重采样后的心电信号数据进行归一化处理;
c)利用Pan_Tompkin检测算法提取归一化后的心电信号的R波位置,按R波前m个采样点和R波后n个采样点将归一化后的心电信号进行心拍划分,得到心拍数据集,U={U1,U2,...,Ut,...,UZ},Ut为第t条心拍记录,t∈{1,2,...,Z},Z为心拍的条数,每条心拍记录的长度为N,每条心拍记录的维度均为1*N维;
d)将心拍数据集U以a:b:c的比例划分为训练集Xtrain、验证集Xval、测试集Xtest;
e)建立由生成器网络和鉴别器网络构成的生成对抗网络模型,将随机噪声Noisefixed按照批次大小batch输入到生成对抗网络模型的生成器网络中,输出得到合成信号集合Xg,随机噪声Noisefixed的维度为batch*1*N维;
g)通过博弈的方式训练生成器网络和鉴别器网络;
h)将维度为batch*1*N维的随机噪声Ng输入到训练后的生成器网络中,输出得到增强的心电信号Ug。
2.根据权利要求1所述的基于新型生成对抗网络的心电信号增强方法,其特征在于:步骤a)中重采样时的采样频率为125Hz。
3.根据权利要求1所述的基于新型生成对抗网络的心电信号增强方法,其特征在于:步骤d)中a=7,b=1.5,c=1.5。
4.根据权利要求1所述的基于新型生成对抗网络的心电信号增强方法,其特征在于,步骤e)包括如下步骤:
e-1)生成器网络依次由第一卷积块、第二卷积块、第三卷积块、多分支双向长短时记忆神经网络模块、EEA-Net模块、全连接层构成;
e-2)第一卷积块依次由卷积层、BatchNorm1d层、Swish激活函数层构成,将随机噪声Noisefixed输入到第一卷积块的卷积层中,输出得到特征X1-1,将特征X1-1输入到第一卷积块的BatchNorm1d层中,输出得到特征X1-2,将特征X1-2输入到第一卷积块的Swish激活函数层中,输出得到特征X1;
e-3)第二卷积块依次由卷积层、BatchNorm1d层、Swish激活函数层构成,将特征X1输入到第二卷积块的卷积层中,输出得到特征X2-1,将特征X2-1输入到第二卷积块的BatchNorm1d层中,输出得到特征X2-2,将特征X2-2输入到第二卷积块的Swish激活函数层中,输出得到特征X2;
e-4)第三卷积块依次由卷积层、BatchNorm1d层、Swish激活函数层、Max-pooling层构成,将特征X2输入到第三卷积块的卷积层中,输出得到特征X3-1,将特征X3-1输入到第三卷积块的BatchNorm1d层中,输出得到特征X3-2,将特征X3-2与特征X1-2进行拼接操作后输入到第三卷积块的Swish激活函数层中,输出得到特征X3-3,将特征X3-3输入到第三卷积块的Max-pooling层中,输出得到特征X3;
e-5)生成器网络的多分支双向长短时记忆神经网络模块由第一BiLSTM网络、第二BiLSTM网络、第三BiLSTM网络构成,将特征X3输入到第一BiLSTM网络中通过公式Xbilstm1=concat(hL,1,hR,1)计算得到第一BiLSTM网络的输出Xbilstm1,式中concat(·)为拼接操作,hL,1为第一BiLSTM网络的前向传播最后一个时间步的隐藏状态,hR,1为第一BiLSTM网络的后向传播最后一个时间步的隐藏状态,将特征X3输入到第二BiLSTM网络中通过公式Xbilstm2=concat(concat(hL,1,hL,2),hR,2)计算得到第二BiLSTM网络的输出Xbilstm2,式中hL,2为第二BiLSTM网络的前向传播最后一个时间步的隐藏状态,hR,2为第二BiLSTM网络的后向传播最后一个时间步的隐藏状态,将特征X3输入到第三BiLSTM网络中通过公式Xbilstm3=concat(concat(hL,2,hL,3),hR,3)计算得到第三BiLSTM网络的输出Xbilstm3,式中hL,3为第三BiLSTM网络的前向传播最后一个时间步的隐藏状态,hR,3为第三BiLSTM网络的后向传播最后一个时间步的隐藏状态,通过公式X4=concat(Xbilstm1,Xbilstm2,Xbilstm3)计算得到多分支双向长短时记忆神经网络模块的最终输出特征X4;
e-6)生成器网络的EEA-Net模块由第一卷积块、第二卷积块、自适应平均池化层、第三卷积块、全连接模块构成,第一卷积块依次由卷积层、LeakyReLU激活函数层构成,第二卷积块依次由自适应卷积层、LeakyReLU激活函数层构成,第三卷积块依次由卷积层、LeakyReLU激活函数层构成,全连接模块依次由全连接层、Sigmoid激活函数层构成;
e-7)将特征X4输入到生成器网络的EEA-Net模块的第一卷积块中,输出得到特征X4-1,特征X4输入到生成器网络的EEA-Net模块的第二卷积块中,输出得到特征X4-2,将特征X4-1与特征X4-2进行拼接操作,得到拼接结果C1,将拼接结果C1分别依次输入到EEA-Net模块的自适应平均池化层、第三卷积块、全连接模块,输出得到特征信息XE,将特征信息XE与特征X4进行点乘操作后得到EEA-Net模块的最终的输出特征X5;
e-8)将输出特征X5输入到生成器网络的全连接层中,输出得到合成信号集合Xg。
5.根据权利要求1所述的基于新型生成对抗网络的心电信号增强方法,其特征在于:步骤e-2)中第一卷积块的卷积层的卷积核大小为1×3,步长为1,填充为1;步骤e-3)中第二卷积块的卷积层的卷积核大小为1×5,步长为2,填充为2;步骤e-4)中第三卷积块的卷积层的卷积核大小为1×3,步长为1,填充为1,步骤e-5)中第一BiLSTM网络的神经元数量为64,第二BiLSTM网络的神经元数量为128,第三BiLSTM网络的神经元数量为256,步骤e-6)中的第一卷积块的卷积层的卷积核大小为1×3,步长为1,填充为1;步骤e-6)中第二卷积块的自适应卷积层的步长为1,填充为1;步骤e-6)中的第三卷积块的卷积层的卷积核大小为1×5,步长为1,填充为1。
6.根据权利要求1所述的基于新型生成对抗网络的心电信号增强方法,其特征在于,步骤f)包括如下步骤:
f-1)生成对抗网络模型的鉴别器网络依次由双向长短时记忆网络BiLSTM、第一全连接层、第一Swish激活函数层、第二全连接层、第二Swish激活函数层、Dropout层、第三全连接层、Sigmoid层构成;
f-2)将训练集Xtrain按照批次输入到鉴别器网络的双向长短时记忆网络BiLSTM中,得到特征X6,将特征X6依次输入到鉴别器网络的第一全连接层、第一Swish激活函数层、第二全连接层、第二Swish激活函数层、Dropout层、第三全连接层、Sigmoid层中,输出得到输出标签
7.根据权利要求6所述的基于新型生成对抗网络的心电信号增强方法,其特征在于:步骤f-1)中双向长短时记忆网络BiLSTM中隐藏神经元的个数为128,步骤f-1)中Dropout层的随机丢弃率为0.2。
9.根据权利要求8所述的基于新型生成对抗网络的心电信号增强方法,其特征在于:β=0.7,γ=0.2。
10.根据权利要求8所述的基于新型生成对抗网络的心电信号增强方法,其特征在于:步骤g-4)中训练时生成器网络与鉴别器网络的学习率均设置为0.0002,批次大小均为128,迭代次数均为2500次,生成器网络与鉴别器网络的学习率每500次更新为原来的0.1倍。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310340465.0A CN116383649B (zh) | 2023-04-03 | 2023-04-03 | 基于新型生成对抗网络的心电信号增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310340465.0A CN116383649B (zh) | 2023-04-03 | 2023-04-03 | 基于新型生成对抗网络的心电信号增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116383649A true CN116383649A (zh) | 2023-07-04 |
CN116383649B CN116383649B (zh) | 2024-01-23 |
Family
ID=86972663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310340465.0A Active CN116383649B (zh) | 2023-04-03 | 2023-04-03 | 基于新型生成对抗网络的心电信号增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116383649B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117357129A (zh) * | 2023-11-13 | 2024-01-09 | 齐鲁工业大学(山东省科学院) | 一种针对可穿戴式设备的心电图qrs波形检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111990989A (zh) * | 2020-08-31 | 2020-11-27 | 武汉大学 | 一种基于生成对抗及卷积循环网络的心电信号识别方法 |
CN112529806A (zh) * | 2020-12-15 | 2021-03-19 | 哈尔滨工程大学 | 基于生成对抗网络信息最大化的sar图像数据增强方法 |
US20210197335A1 (en) * | 2019-12-26 | 2021-07-01 | Dalian University Of Technology | Data Augmentation Method Based On Generative Adversarial Networks In Tool Condition Monitoring |
CN113449679A (zh) * | 2021-07-14 | 2021-09-28 | 湖南长城科技信息有限公司 | 一种人体异常行为识别方法和装置 |
CN114648048A (zh) * | 2022-04-01 | 2022-06-21 | 山东省人工智能研究院 | 基于变分自编码和PixelCNN模型的心电信号降噪方法 |
CN114781445A (zh) * | 2022-04-11 | 2022-07-22 | 山东省人工智能研究院 | 一种基于可解释性的深度神经网络的心电信号降噪方法 |
CN115429285A (zh) * | 2022-09-26 | 2022-12-06 | 哈尔滨理工大学 | 基于生成对抗网络的心电信号去噪方法 |
CN115470827A (zh) * | 2022-09-23 | 2022-12-13 | 山东省人工智能研究院 | 基于自监督学习和孪生网络的对抗性心电信号降噪方法 |
-
2023
- 2023-04-03 CN CN202310340465.0A patent/CN116383649B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210197335A1 (en) * | 2019-12-26 | 2021-07-01 | Dalian University Of Technology | Data Augmentation Method Based On Generative Adversarial Networks In Tool Condition Monitoring |
CN111990989A (zh) * | 2020-08-31 | 2020-11-27 | 武汉大学 | 一种基于生成对抗及卷积循环网络的心电信号识别方法 |
CN112529806A (zh) * | 2020-12-15 | 2021-03-19 | 哈尔滨工程大学 | 基于生成对抗网络信息最大化的sar图像数据增强方法 |
CN113449679A (zh) * | 2021-07-14 | 2021-09-28 | 湖南长城科技信息有限公司 | 一种人体异常行为识别方法和装置 |
CN114648048A (zh) * | 2022-04-01 | 2022-06-21 | 山东省人工智能研究院 | 基于变分自编码和PixelCNN模型的心电信号降噪方法 |
CN114781445A (zh) * | 2022-04-11 | 2022-07-22 | 山东省人工智能研究院 | 一种基于可解释性的深度神经网络的心电信号降噪方法 |
CN115470827A (zh) * | 2022-09-23 | 2022-12-13 | 山东省人工智能研究院 | 基于自监督学习和孪生网络的对抗性心电信号降噪方法 |
CN115429285A (zh) * | 2022-09-26 | 2022-12-06 | 哈尔滨理工大学 | 基于生成对抗网络的心电信号去噪方法 |
Non-Patent Citations (3)
Title |
---|
XIAOYUN XIE.ET AL: "Multilabel 12-Lead ECG Classification Based on Leadwise Grouping Multibranch Network", 《IEEE》 * |
潘辉等: "基于改进残差网络对心电信号的识别", 《数据采集与处理》, no. 04 * |
郑腾飞: "基于生成对抗网络的心电数据增强方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117357129A (zh) * | 2023-11-13 | 2024-01-09 | 齐鲁工业大学(山东省科学院) | 一种针对可穿戴式设备的心电图qrs波形检测方法 |
CN117357129B (zh) * | 2023-11-13 | 2024-06-04 | 齐鲁工业大学(山东省科学院) | 一种针对可穿戴式设备的心电图qrs波形检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116383649B (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108985317B (zh) | 一种基于可分离卷积和注意力机制的图像分类方法 | |
WO2022267641A1 (zh) | 一种基于循环生成对抗网络的图像去雾方法及系统 | |
CN116383649B (zh) | 基于新型生成对抗网络的心电信号增强方法 | |
US11087439B2 (en) | Hybrid framework-based image bit-depth expansion method and device | |
Wei et al. | Generative steganography network | |
CN111612872A (zh) | 人脸年龄变化图像对抗生成方法及系统 | |
CN109949200B (zh) | 基于滤波器子集选择和cnn的隐写分析框架构建方法 | |
CN111861906A (zh) | 一种路面裂缝图像虚拟增广模型建立及图像虚拟增广方法 | |
CN110111266B (zh) | 一种基于深度学习去噪的近似信息传递算法改进方法 | |
CN112766413A (zh) | 一种基于加权融合模型的鸟类分类方法及系统 | |
CN114818806A (zh) | 一种基于小波包与深度自编码器的变速箱故障诊断方法 | |
CN113283577A (zh) | 一种基于元学习和生成对抗网络的工业平行数据生成方法 | |
CN113705394B (zh) | 一种长短时域特征结合的行为识别方法 | |
CN112541866B (zh) | 一种基于进化式生成对抗网络的人脸图像修复模型 | |
CN113822377A (zh) | 基于对比自学习的伪造人脸检测方法 | |
CN116306780B (zh) | 一种动态图链接生成方法 | |
CN115860113B (zh) | 一种自对抗神经网络模型的训练方法及相关装置 | |
CN114005157B (zh) | 一种基于卷积神经网络的像素位移向量的微表情识别方法 | |
CN116071229A (zh) | 一种用于可穿戴头盔的图像超分辨率重建方法 | |
CN114842242A (zh) | 一种基于生成模型的鲁棒对抗样本生成方法 | |
CN114936977A (zh) | 一种基于通道注意力和跨尺度特征融合的图像去模糊方法 | |
Liu et al. | Partial transfer learning for fast evolutionary generative adversarial networks | |
Montazeri | Memetic algorithm image enhancement for preserving mean brightness without losing image features | |
CN112734678B (zh) | 基于深度残差收缩网络和生成对抗网络的去图像运动模糊方法 | |
KR102561613B1 (ko) | Ste 및 최적 중단시점 자동 결정 알고리즘을 적용한 dip를 사용하여 노이즈 이미지를 디노이징하는 방법 및 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |