CN116584951B - 一种基于弱监督学习的心电信号检测和定位方法 - Google Patents
一种基于弱监督学习的心电信号检测和定位方法 Download PDFInfo
- Publication number
- CN116584951B CN116584951B CN202310437586.7A CN202310437586A CN116584951B CN 116584951 B CN116584951 B CN 116584951B CN 202310437586 A CN202310437586 A CN 202310437586A CN 116584951 B CN116584951 B CN 116584951B
- Authority
- CN
- China
- Prior art keywords
- layer
- cla
- module
- map
- convolution
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000001514 detection method Methods 0.000 title claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 75
- 230000006870 function Effects 0.000 claims abstract description 47
- 241000030538 Thecla Species 0.000 claims abstract description 41
- 230000004913 activation Effects 0.000 claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 claims abstract description 28
- 238000013136 deep learning model Methods 0.000 claims abstract description 25
- 230000004927 fusion Effects 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000011176 pooling Methods 0.000 claims description 33
- 238000010586 diagram Methods 0.000 claims description 15
- YREOLPGEVLLKMB-UHFFFAOYSA-N 3-methylpyridin-1-ium-2-amine bromide hydrate Chemical compound O.[Br-].Cc1ccc[nH+]c1N YREOLPGEVLLKMB-UHFFFAOYSA-N 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000000747 cardiac effect Effects 0.000 claims 1
- 230000004807 localization Effects 0.000 abstract description 2
- 230000003213 activating effect Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
-
- 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
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06N3/0464—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
- G06N3/048—Activation functions
-
- 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
- G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Animal Behavior & Ethology (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Cardiology (AREA)
- Fuzzy Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种基于弱监督学习的心电信号检测和定位方法，深度学习模型主要包含了三个部分：多尺度特征信息提取、自注意力编码模块以及分类和定位部分。通过将提取的原始心电信号降噪和分段处理得到固定长度的纯净心电信号段，适用于我们的网络模型的输入要求。在卷积连接的多尺度信息提取模块中引入CLA层和使用PReLU激活函数来获得更好的局部信息提取能力，引入自注意力编码模块建立局部特征与全局特征之间的联系，增强对重要特征的识别能力。引入分类和定位模块来输出异常信号的大体位置来提高类别分类的可解释性，融合模块使得模型能将局部的预测值映射为全局的预测值，在弱标注的数据集上训练模型参数，能大大降低了技术实现的成本。
Description
技术领域
本发明涉及心电信号处理技术领域，具体涉及一种基于弱监督学习的心电信号检测和定位方法。
背景技术
作为一种重要的生理信号，心电信号能很好的反应心脏处于何种活动状态，正常的心电信号处于某种规律当中能够很好的识别，异常的心电信号往往只会发生很细微的改变，不容易被识别。随着神经网络模型的蓬勃发展，基于卷积、循环神经网络的心电异常检测算法虽然取得了较好的结果，但是依赖于精确标注的心电信号数据，这会增加整体技术成本，并且得出的分类结果并不能很好的解释判别分类的原因。
发明内容
本发明为了克服以上技术的不足，提供了一种不需要大规模精确标注的数据，整体精确度高的基于弱监督学习的心电信号检测和定位方法。
本发明克服其技术问题所采用的技术方案是：
一种基于弱监督学习的心电信号检测和定位方法，包括如下步骤：
a)从多个采集设备采集n个不同长度的心电信号数据，得到原始心电数据集合X0，X0＝{x1,x2,...,xj,...,xn}，xj为第j条原始心电信号记录，j∈{1,2,...,n}；
b)对原始心电数据集合X0进行预处理操作，得到预处理后的心电数据集合X′0，X′0＝{x′1,x′2,...,x′j,...,x′n}，x′j为第j条预处理后的原始心电信号记录；
c)建立深度学习模型，将预处理后的心电数据集合输入到深度学习模型中，输出得到全局记录水平的类别预测值ypre及预测的异常信号位置集合L；
d)训练深度学习模型。
进一步的，步骤b)包括如下步骤：
b-1)对原始心电数据集合X0使用带通滤波器去除其它波段的噪声；
b-2)使用滑动窗口将去除其它波段的噪声的原始心电数据集合X0进行固定长度信号切片，得到预处理后的心电数据集合X′0。
优选的，步骤b-1)中使用3-45Hz的带通滤波器去除其它波段的噪声。
进一步的，步骤c)包括如下步骤：
c-1)深度学习模型由多尺度特征提取模块、自注意力编码模块、分类和定位模块构成；
c-2)深度学习模型的多尺度特征提取模块由起始卷积块、第一多尺度提取块、第二多尺度提取块构成，多尺度特征提取模块的起始卷积块依次由第一起始卷积层、BN层、PReLU激活函数层、第二起始卷积层构成，将第j条预处理后的原始心电信号记录x′j输入到多尺度特征提取模块的起始卷积块中，输出得到特征图X1；
c-3)多尺度特征提取模块的第一多尺度提取块由第一BN层、第一PReLU激活函数层、CLA层、第一卷积层、第二BN层、第二PReLU激活函数层、dropout层、第二卷积层、最大池化层构成，CLA层由第一分支部分及第二分支部分构成，CLA层的第一分支部分依次由全局平均池化层、第一全连接层、Swish激活函数层、第二全连接层、Sigmoid激活函数层构成，CLA层的第二分支部分依次由全局最大池化层、最大池化层、第一全连接层、Swish激活函数层、第二全连接层、Sigmoid激活函数层、上采样层构成，将特征图X1依次输入到第一多尺度提取块的第一BN层、第一PReLU激活函数层后，输出得到特征图X1_1，将特征图X1_1输入到第一多尺度提取块的CLA层的第一分支中，输出得到特征图将特征图X1_1输入到第一多尺度提取块的CLA层的第二分支中，输出得到特征图/>将特征图X1_1与特征图相乘后将相乘结果与特征图/>相乘得到特征图X1_2，将特征图X1_2依次输入到第一多尺度提取块的第一卷积层、第二BN层、第二PReLU激活函数层、dropout层、第二卷积层后，输出得到特征图X1_3，将特征图X1_3和特征图X1相加后输入到第一多尺度提取块的最大池化层中，输出得到特征图X2；
c-4)多尺度特征提取模块的第二多尺度提取块由第一BN层、第一PReLU激活函数层、CLA层、第一卷积层、第二BN层、第二PReLU激活函数层、dropout层、第二卷积层、最大池化层构成，将特征图X2依次输入到第一多尺度提取块的第一BN层、第一PReLU激活函数层后，输出得到特征图X2_1，将特征图X2_1输入到第二多尺度提取块的CLA层的第一分支中，输出得到特征图将特征图X2_1输入到第二多尺度提取块的CLA层的第二分支中，输出得到特征图/>将特征图X2_1与特征图/>相乘后将相乘结果与特征图/>相乘得到特征图X2_2，将特征图X2_2依次输入到第二多尺度提取块的第一卷积层、第二BN层、第二PReLU激活函数层、dropout层、第二卷积层后，输出得到特征图X2_3，将特征图X2_3和特征图X2相加后输入到第二多尺度提取块的最大池化层中，输出得到特征图X3；
c-5)将特征图X3使用预定义设置的位置编码得到位置信息图谱将特征图X3与位置信息图谱/>相拼接操作得到特征图X4；
c-6)深度学习模型的自注意力编码模块依次由多头自注意力层、Layer Norm层、MLP层构成，将特征图X4输入到自注意力编码模块中，输出得到特征图X5；
c-7)分类和定位模块由局部分类模块、融合模块、异常位置输出模块构成；
c-8)分类和定位模块的局部分类模块依次由卷积层、flatten层、全连接层、Softmax函数构成，将特征图X5输入到局部分类模块中，输出得到局部位置的预测值 为经过全连接层输出的第l个位置预测值，l∈{1,2,...,m}，m为经过全连接层输出的预测值的个数，/>为0表示心电信号为正常信号，/>为1表示心电信号为异常信号；
c-9)将局部位置的预测值输入到分类和定位模块的融合模块中，得到全局记录水平的类别预测值ypre；
c-10)将局部位置的预测值输入到分类和定位模块的异常位置输出模块中，异常位置输出模块判断局部位置的预测值/>中每个位置是否为异常信号，输出异常信号位置集合L，L＝{l1,l2,...,li,...,lk}，其中li为局部位置的预测值/>中第i个异常信号的位置的坐标，i∈{1,2,…,k}，k为预测的异常信号的个数。
优选的，步骤c-2)中起始卷积块的第一起始卷积层的卷积核大小为1*1、步长为1，第二起始卷积层的卷积核大小为3*3、步长为2；步骤c-3)中第一多尺度提取块的第一卷积层和第二卷积层均为卷积核大小位8*8的一维卷积，第一多尺度提取块的dropout层的参数大学为0.2，第一多尺度提取块的最大池化层的卷积核大小为2、步长为2；步骤c-3)中CLA层的第一分支部分的第一全连接层的扩展系数均为4，CLA层的第二分支部分的全局最大池化层参数设置为1，CLA层的第二分支部分的最大池化层的卷积核大小为32、步长为32，CLA层的第二分支部分的第一全连接层扩展系数为4，CLA层的上采样层的参数为32；步骤c-4)中CLA层的第一分支部分的第一全连接层的扩展系数均为4，CLA层的第二分支部分的全局最大池化层参数设置为1，CLA层的第二分支部分的最大池化层的卷积核大小为32、步长为32，CLA层的第二分支部分的第一全连接层扩展系数为4，CLA层的上采样层的参数为32；步骤c-6)中MLP层的多头自注意力的head为6。进一步的，步骤d)中使用交叉熵损失函数通过Adam优化器优化深度学习模块，得到训练深度学习模型。
进一步的，步骤c-9)中通过公式计算得到全局记录水平的类别预测值ypre，式中b为常数。
优选的，b＝3。
本发明的有益效果是：不需要大规模精确标注的数据，只需要部分粗粒度标注的数据来训练模型的参数，得到整体分类算法模型；能够对长连续的心电信号做处理，适用于不同的采集设备的需求；而且该技术能够识别信号的类别以及在信号段中具体的位置，为类别的划分提供了可解释性的依据，并且整体的精确度能在较高的水平。
附图说明
图1为本发明的方法流程图；
图2为本发明的CLA模块的结构图。
具体实施方式
下面结合附图1、附图2对本发明做进一步说明。
一种基于弱监督学习的心电信号检测和定位方法，包括如下步骤：
a)从多个采集设备采集n个不同长度的心电信号数据，得到原始心电数据集合X0，X0＝{x1,x2,…,xj,…,xn}，xj为第j条原始心电信号记录，j∈{1,2,…,n}。
b)对原始心电数据集合X0进行预处理操作，得到预处理后的心电数据集合X′0，X′0＝{x′1,x′2,...,x′j,…,x′n}，x′j为第j条预处理后的原始心电信号记录。
c)建立深度学习模型，将预处理后的心电数据集合输入到深度学习模型中，输出得到全局记录水平的类别预测值ypre及预测的异常信号位置集合L。深度学习模型由多尺度特征提取模块、自注意力编码模块、分类和定位模块构成。多尺度特征提取模块使用不同大小的卷积核提取不同的信息，对局部的信息进行整合并使提取到的特征图包含更多的原始信息；自注意力编码模块使用注意力机制部分将局部信息与全局的特征联系起来更好的识别整体的类别；模型分类和定位模块是输出记录中异常信号在信号记录中的一维位置坐标。
d)训练深度学习模型。经过多轮的迭代优化后，得到优化后的深度学习模型后，最终获得能够处理长连续心电信号的模型，能够判断输入信号是否为异常信号以及异常段的位置坐标。
深度学习模型主要包含了三个部分：多尺度特征信息提取、自注意力编码模块以及分类和定位部分。通过将提取的原始心电信号降噪和分段处理得到固定长度的纯净心电信号段，适用于我们的网络模型的输入要求。在卷积连接的多尺度信息提取模块中引入CLA层和使用PReLU激活函数来获得更好的局部信息提取能力，引入自注意力编码模块建立局部特征与全局特征之间的联系，增强对重要特征的识别能力。引入分类和定位模块来输出异常信号的大体位置来提高类别分类的可解释性，融合模块使得模型能将局部的预测值映射为全局的预测值，在弱标注的数据集上训练模型参数，能大大降低了技术实现的成本。
实施例1：
步骤b)包括如下步骤：
b-1)为了满足处理不同长度心电信号的需求，对原始心电数据集合X0使用带通滤波器去除其它波段的噪声。在本发明的一个实施例中，优选的，步骤b-1)中使用3-45Hz的带通滤波器去除其它波段的噪声。
b-2)使用滑动窗口将去除其它波段的噪声的原始心电数据集合X0进行固定长度信号切片，得到预处理后的心电数据集合X′0。进行
实施例2：
步骤c)包括如下步骤：
c-1)深度学习模型由多尺度特征提取模块、自注意力编码模块、分类和定位模块构成。
c-2)深度学习模型的多尺度特征提取模块由起始卷积块、第一多尺度提取块(MFEblock)、第二多尺度提取块(MFE block)构成，多尺度特征提取模块的起始卷积块依次由第一起始卷积层、BN层(Batch Normalization)、PReLU激活函数层、第二起始卷积层构成，将第j条预处理后的原始心电信号记录x′j输入到多尺度特征提取模块的起始卷积块中，输出得到特征图X1。
c-3)多尺度特征提取模块的第一多尺度提取块由第一BN层、第一PReLU激活函数层、CLA层(通道局部注意力层)、第一卷积层、第二BN层、第二PReLU激活函数层、dropout层、第二卷积层、最大池化层构成，CLA层由第一分支部分及第二分支部分构成，CLA层的第一分支部分依次由全局平均池化层、第一全连接层、Swish激活函数层、第二全连接层、Sigmoid激活函数层构成，CLA层的第二分支部分依次由全局最大池化层、最大池化层、第一全连接层、Swish激活函数层、第二全连接层、Sigmoid激活函数层、上采样层构成，将特征图X1依次输入到第一多尺度提取块的第一BN层、第一PReLU激活函数层后，输出得到特征图X1_1，将特征图X1_1输入到第一多尺度提取块的CLA层的第一分支中，输出得到特征图将特征图X1_1输入到第一多尺度提取块的CLA层的第二分支中，输出得到特征图/>将特征图X1_1与特征图/>相乘后将相乘结果与特征图/>相乘得到特征图X1_2，将特征图X1_2依次输入到第一多尺度提取块的第一卷积层、第二BN层、第二PReLU激活函数层、dropout层、第二卷积层后，输出得到特征图X1_3，将特征图X1_3和特征图X1相加后输入到第一多尺度提取块的最大池化层中，输出得到特征图X2。
c-4)多尺度特征提取模块的第二多尺度提取块由第一BN层、第一PReLU激活函数层、CLA层、第一卷积层、第二BN层、第二PReLU激活函数层、dropout层、第二卷积层、最大池化层构成，将特征图X2依次输入到第一多尺度提取块的第一BN层、第一PReLU激活函数层后，输出得到特征图X2_1，将特征图X2_1输入到第二多尺度提取块的CLA层的第一分支中，输出得到特征图将特征图X2_1输入到第二多尺度提取块的CLA层的第二分支中，输出得到特征图/>将特征图X2_1与特征图/>相乘后将相乘结果与特征图/>相乘得到特征图X2_2，将特征图X2_2依次输入到第二多尺度提取块的第一卷积层、第二BN层、第二PReLU激活函数层、dropout层、第二卷积层后，输出得到特征图X2_3，将特征图X2_3和特征图X2相加后输入到第二多尺度提取块的最大池化层中，输出得到特征图X3。
c-5)将特征图X3使用预定义设置的位置编码得到位置信息图谱将特征图X3与位置信息图谱/>相拼接操作得到特征图X4。
c-6)深度学习模型的自注意力编码模块依次由多头自注意力层、Layer Norm层、MLP层(Multi-Layer Perception)构成，将特征图X4输入到自注意力编码模块中，输出得到特征图X5。通过注意力编码模块可以获得局部特征与全局信息特征相关性的特征图图谱。
c-7)分类和定位模块由局部分类模块、融合模块、异常位置输出模块构成。融合模块中将局部的预测值映射到全局的预测；异常位置输出模块通过判断每个局部的类别来输出异常信号段的位置。
c-8)分类和定位模块的局部分类模块依次由卷积层、flatten层、全连接层、Softmax函数构成，将特征图X5输入到局部分类模块中，输出得到局部位置的预测值 为经过全连接层输出的第l个位置预测值，l∈{1,2,…,m}，m为经过全连接层输出的预测值的个数，/>为0表示心电信号为正常信号，/>为1表示心电信号为异常信号。
c-9)将局部位置的预测值输入到分类和定位模块的融合模块中，得到全局记录水平的类别预测值ypre。
c-10)将局部位置的预测值输入到分类和定位模块的异常位置输出模块中，异常位置输出模块判断局部位置的预测值/>中每个位置是否为异常信号，输出异常信号位置集合L，L＝{l1,l2,...,li,...,lk}，其中li为局部位置的预测值/>中第i个异常信号的位置的坐标，i∈{1,2,...,k}，k为预测的异常信号的个数。k的值是可变的，因为有的记录中是有异常信号，有的记录中是没有异常信号的，每个记录中异常信号的预测个数不确定。
在本发明的一个实施例中，步骤c-2)中起始卷积块的第一起始卷积层的卷积核大小为1*1、步长为1，第二起始卷积层的卷积核大小为3*3、步长为2；步骤c-3)中第一多尺度提取块的第一卷积层和第二卷积层均为卷积核大小位8*8的一维卷积，第一多尺度提取块的dropout层的参数大学为0.2，第一多尺度提取块的最大池化层的卷积核大小为2、步长为2；步骤c-3)中CLA层的第一分支部分的第一全连接层的扩展系数均为4，CLA层的第二分支部分的全局最大池化层参数设置为1，CLA层的第二分支部分的最大池化层的卷积核大小为32、步长为32，CLA层的第二分支部分的第一全连接层扩展系数为4，CLA层的上采样层的参数为32；步骤c-4)中CLA层的第一分支部分的第一全连接层的扩展系数均为4，CLA层的第二分支部分的全局最大池化层参数设置为1，CLA层的第二分支部分的最大池化层的卷积核大小为32、步长为32，CLA层的第二分支部分的第一全连接层扩展系数为4，CLA层的上采样层的参数为32；步骤c-6)中MLP层的多头自注意力的head为6。
实施例3：
步骤d)中使用交叉熵损失函数通过Adam优化器优化深度学习模块，得到训练深度学习模型。在训练过程中使用Adam优化器优化模型的参数，再经过多轮的迭代优化模型后，最终获得能够处理长连续心电信号的模型，能够判断输入信号是否为异常信号以及异常段的位置坐标。
实施例4：
步骤c-9)中通过公式计算得到全局记录水平的类别预测值ypre，式中b为常数。在本发明的一个实施例中，b＝3。
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 (6)
1.一种基于弱监督学习的心电信号检测和定位方法，其特征在于，包括如下步骤：
a)从多个采集设备采集n个不同长度的心电信号数据，得到原始心电数据集合X0，X0＝{x1,x2,…,xj,…,xn}，xj为第j条原始心电信号记录，j∈{1,2,…,n}；
b)对原始心电数据集合X0进行预处理操作，得到预处理后的心电数据集合X′0，X′0＝{x′1,x′2,…,x′j,…,x′n}，x′j为第j条预处理后的原始心电信号记录；
c)建立深度学习模型，将预处理后的心电数据集合输入到深度学习模型中，输出得到全局记录水平的类别预测值ypre及预测的异常信号位置集合L；
d)训练深度学习模型；
步骤c)包括如下步骤：
c-1)深度学习模型由多尺度特征提取模块、自注意力编码模块、分类和定位模块构成；
c-2)深度学习模型的多尺度特征提取模块由起始卷积块、第一多尺度提取块、第二多尺度提取块构成，多尺度特征提取模块的起始卷积块依次由第一起始卷积层、BN层、PReLU激活函数层、第二起始卷积层构成，将第j条预处理后的原始心电信号记录x′j输入到多尺度特征提取模块的起始卷积块中，输出得到特征图X1；
c-3)多尺度特征提取模块的第一多尺度提取块由第一BN层、第一PReLU激活函数层、CLA层、第一卷积层、第二BN层、第二PReLU激活函数层、dropout层、第二卷积层、最大池化层构成，CLA层由第一分支部分及第二分支部分构成，CLA层的第一分支部分依次由全局平均池化层、第一全连接层、Swish激活函数层、第二全连接层、Sigmoid激活函数层构成，CLA层的第二分支部分依次由全局最大池化层、最大池化层、第一全连接层、Swish激活函数层、第二全连接层、Sigmoid激活函数层、上采样层构成，将特征图X1依次输入到第一多尺度提取块的第一BN层、第一PReLU激活函数层后，输出得到特征图X1_1，将特征图X1_1输入到第一多尺度提取块的CLA层的第一分支中，输出得到特征图将特征图X1_1输入到第一多尺度提取块的CLA层的第二分支中，输出得到特征图/>将特征图X1_1与特征图/>相乘后将相乘结果与特征图/>相乘得到特征图X1_2，将特征图X1_2依次输入到第一多尺度提取块的第一卷积层、第二BN层、第二PReLU激活函数层、dropout层、第二卷积层后，输出得到特征图X1_3，将特征图X1_3和特征图X1相加后输入到第一多尺度提取块的最大池化层中，输出得到特征图X2；
c-4)多尺度特征提取模块的第二多尺度提取块由第一BN层、第一PReLU激活函数层、CLA层、第一卷积层、第二BN层、第二PReLU激活函数层、dropout层、第二卷积层、最大池化层构成，将特征图X2依次输入到第一多尺度提取块的第一BN层、第一PReLU激活函数层后，输出得到特征图X2_1，将特征图X2_1输入到第二多尺度提取块的CLA层的第一分支中，输出得到特征图将特征图X2_1输入到第二多尺度提取块的CLA层的第二分支中，输出得到特征图/>将特征图X2_1与特征图/>相乘后将相乘结果与特征图/>相乘得到特征图X2_2，将特征图X2_2依次输入到第二多尺度提取块的第一卷积层、第二BN层、第二PReLU激活函数层、dropout层、第二卷积层后，输出得到特征图X2_3，将特征图X2_3和特征图X2相加后输入到第二多尺度提取块的最大池化层中，输出得到特征图X3；
c-5)将特征图X3使用预定义设置的位置编码得到位置信息图谱将特征图X3与位置信息图谱/>相拼接操作得到特征图X4；
c-6)深度学习模型的自注意力编码模块依次由多头自注意力层、Layer Norm层、MLP层构成，将特征图X4输入到自注意力编码模块中，输出得到特征图X5；
c-7)分类和定位模块由局部分类模块、融合模块、异常位置输出模块构成；
c-8)分类和定位模块的局部分类模块依次由卷积层、flatten层、全连接层、Softmax函数构成，将特征图X5输入到局部分类模块中，输出得到局部位置的预测值 为经过全连接层输出的第l个位置预测值，l∈{1,2,…,m}，m为经过全连接层输出的预测值的个数，/>为0表示心电信号为正常信号，/>为1表示心电信号为异常信号；
c-9)将局部位置的预测值输入到分类和定位模块的融合模块中，得到全局记录水平的类别预测值ypre；
c-10)将局部位置的预测值输入到分类和定位模块的异常位置输出模块中，异常位置输出模块判断局部位置的预测值/>中每个位置是否为异常信号，输出异常信号位置集合L，L＝{l1,l2,...,li,...,lk}，其中li为局部位置的预测值/>中第i个异常信号的位置的坐标，i∈{1,2,...,k}，k为预测的异常信号的个数；
步骤c-9)中通过公式计算得到全局记录水平的类别预测值ypre，式中b为常数。
2.根据权利要求1所述的基于弱监督学习的心电信号检测和定位方法，其特征在于，步骤b)包括如下步骤：
b-1)对原始心电数据集合X0使用带通滤波器去除其它波段的噪声；
b-2)使用滑动窗口将去除其它波段的噪声的原始心电数据集合X0进行固定长度信号切片，得到预处理后的心电数据集合X′0。
3.根据权利要求1所述的基于弱监督学习的心电信号检测和定位方法，其特征在于：步骤b-1)中使用3-45Hz的带通滤波器去除其它波段的噪声。
4.根据权利要求1所述的基于弱监督学习的心电信号检测和定位方法，其特征在于：步骤c-2)中起始卷积块的第一起始卷积层的卷积核大小为1*1、步长为1，第二起始卷积层的卷积核大小为3*3、步长为2；步骤c-3)中第一多尺度提取块的第一卷积层和第二卷积层均为卷积核大小位8*8的一维卷积，第一多尺度提取块的dropout层的参数大学为0.2，第一多尺度提取块的最大池化层的卷积核大小为2、步长为2；步骤c-3)中CLA层的第一分支部分的第一全连接层的扩展系数均为4，CLA层的第二分支部分的全局最大池化层参数设置为1，CLA层的第二分支部分的最大池化层的卷积核大小为32、步长为32，CLA层的第二分支部分的第一全连接层扩展系数为4，CLA层的上采样层的参数为32；步骤c-4)中CLA层的第一分支部分的第一全连接层的扩展系数均为4，CLA层的第二分支部分的全局最大池化层参数设置为1，CLA层的第二分支部分的最大池化层的卷积核大小为32、步长为32，CLA层的第二分支部分的第一全连接层扩展系数为4，CLA层的上采样层的参数为32；步骤c-6)中MLP层的多头自注意力的head为6。
5.根据权利要求1所述的基于弱监督学习的心电信号检测和定位方法，其特征在于：步骤d)中使用交叉熵损失函数通过Adam优化器优化深度学习模块，得到训练深度学习模型。
6.根据权利要求1所述的基于弱监督学习的心电信号检测和定位方法，其特征在于：b＝3。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310437586.7A CN116584951B (zh) | 2023-04-23 | 2023-04-23 | 一种基于弱监督学习的心电信号检测和定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310437586.7A CN116584951B (zh) | 2023-04-23 | 2023-04-23 | 一种基于弱监督学习的心电信号检测和定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116584951A CN116584951A (zh) | 2023-08-15 |
| CN116584951B true CN116584951B (zh) | 2023-12-12 |
Family
ID=87598199
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310437586.7A Active CN116584951B (zh) | 2023-04-23 | 2023-04-23 | 一种基于弱监督学习的心电信号检测和定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116584951B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109602415A (zh) * | 2018-11-12 | 2019-04-12 | 安徽心之声医疗科技有限公司 | 基于机器学习的心电设备导联倒置识别方法 |
| CN111523502A (zh) * | 2020-04-30 | 2020-08-11 | 上海交通大学医学院附属瑞金医院 | 一种心电图图像处理方法、设备、介质和心电图仪 |
| CN112883803A (zh) * | 2021-01-20 | 2021-06-01 | 武汉中旗生物医疗电子有限公司 | 一种基于深度学习的心电信号分类方法、装置及存储介质 |
| CN113361606A (zh) * | 2021-06-07 | 2021-09-07 | 齐鲁工业大学 | 深层图注意力对抗变分自动编码器训练方法及系统 |
| CN113384277A (zh) * | 2020-02-26 | 2021-09-14 | 京东方科技集团股份有限公司 | 心电数据的分类方法及分类系统 |
| CN114912532A (zh) * | 2022-05-20 | 2022-08-16 | 电子科技大学 | 一种自动驾驶汽车多源异构感知数据融合方法 |
| 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 |
| CN115470828A (zh) * | 2022-09-23 | 2022-12-13 | 华东师范大学 | 基于卷积与自注意力机制的多导联心电图分类识别方法 |
| CN115530788A (zh) * | 2022-09-17 | 2022-12-30 | 贵州大学 | 基于自注意力机制的心律失常分类方法 |
| CN115581464A (zh) * | 2022-11-03 | 2023-01-10 | 浙江大学 | 基于预训练和时空自注意力机制的心室激活来源点定位方法 |
| CN115666387A (zh) * | 2021-03-19 | 2023-01-31 | 京东方科技集团股份有限公司 | 基于多导联的心电信号识别方法和心电信号识别装置 |
| CN115985505A (zh) * | 2023-01-19 | 2023-04-18 | 北京未磁科技有限公司 | 多维度融合的心肌缺血辅助诊断模型及其构建方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111325111A (zh) * | 2020-01-23 | 2020-06-23 | 同济大学 | 一种融合逆注意力和多尺度深度监督的行人重识别方法 |
| US11983239B2 (en) * | 2021-06-08 | 2024-05-14 | Lemon Inc. | Lightweight transformer for high resolution images |
-
2023
- 2023-04-23 CN CN202310437586.7A patent/CN116584951B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109602415A (zh) * | 2018-11-12 | 2019-04-12 | 安徽心之声医疗科技有限公司 | 基于机器学习的心电设备导联倒置识别方法 |
| CN113384277A (zh) * | 2020-02-26 | 2021-09-14 | 京东方科技集团股份有限公司 | 心电数据的分类方法及分类系统 |
| CN111523502A (zh) * | 2020-04-30 | 2020-08-11 | 上海交通大学医学院附属瑞金医院 | 一种心电图图像处理方法、设备、介质和心电图仪 |
| CN112883803A (zh) * | 2021-01-20 | 2021-06-01 | 武汉中旗生物医疗电子有限公司 | 一种基于深度学习的心电信号分类方法、装置及存储介质 |
| CN115666387A (zh) * | 2021-03-19 | 2023-01-31 | 京东方科技集团股份有限公司 | 基于多导联的心电信号识别方法和心电信号识别装置 |
| CN113361606A (zh) * | 2021-06-07 | 2021-09-07 | 齐鲁工业大学 | 深层图注意力对抗变分自动编码器训练方法及系统 |
| CN114912532A (zh) * | 2022-05-20 | 2022-08-16 | 电子科技大学 | 一种自动驾驶汽车多源异构感知数据融合方法 |
| CN115530788A (zh) * | 2022-09-17 | 2022-12-30 | 贵州大学 | 基于自注意力机制的心律失常分类方法 |
| 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 |
| CN115470828A (zh) * | 2022-09-23 | 2022-12-13 | 华东师范大学 | 基于卷积与自注意力机制的多导联心电图分类识别方法 |
| CN115581464A (zh) * | 2022-11-03 | 2023-01-10 | 浙江大学 | 基于预训练和时空自注意力机制的心室激活来源点定位方法 |
| CN115985505A (zh) * | 2023-01-19 | 2023-04-18 | 北京未磁科技有限公司 | 多维度融合的心肌缺血辅助诊断模型及其构建方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于多尺度特征融合细粒度分类网络的扎把烟叶分级方法;陈鹏羽;张洪艳;贺威;安徽农业大学学报(006);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116584951A (zh) | 2023-08-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111582320B (zh) | 一种基于半监督学习的动态个体识别方法 | |
| CN111738363B (zh) | 基于改进的3d cnn网络的阿尔茨海默病分类方法 | |
| CN110287879B (zh) | 一种基于注意力机制的视频行为识别方法 | |
| CN112766355A (zh) | 一种标签噪声下的脑电信号情绪识别方法 | |
| CN116186593B (zh) | 一种基于可分离卷积和注意力机制的心电信号检测方法 | |
| CN111860823A (zh) | 神经网络训练、图像处理方法及装置、设备及存储介质 | |
| CN116842460A (zh) | 基于注意力机制与残差神经网络的咳嗽关联疾病识别方法和系统 | |
| Kohlsdorf et al. | An auto encoder for audio dolphin communication | |
| CN111639697A (zh) | 基于非重复采样与原型网络的高光谱图像分类方法 | |
| CN114842196A (zh) | 一种雷达射频图像目标检测方法 | |
| CN116584951B (zh) | 一种基于弱监督学习的心电信号检测和定位方法 | |
| CN117037847A (zh) | 一种端到端社区噪音监测方法、装置及相关组件 | |
| CN114764575B (zh) | 基于深度学习和时序注意力机制的多模态数据分类方法 | |
| CN114495265B (zh) | 多跨域场景下基于活动图加权的人体行为识别方法 | |
| CN116183229A (zh) | 一种基于滑动窗口自注意力机制的振动数据特征提取方法 | |
| CN116738330A (zh) | 一种半监督域自适应脑电信号的分类方法 | |
| CN114494152A (zh) | 基于关联学习模型的无监督变化检测方法 | |
| CN114998731A (zh) | 智能终端导航场景感知识别的方法 | |
| CN111667000B (zh) | 自适应领域深度神经网络的地震预警方法 | |
| CN113160135A (zh) | 基于无监督迁移图片分类的结肠病变智能识别方法、系统及介质 | |
| Tang et al. | Image Semantic Recognition and Segmentation Algorithm of Colorimetric Sensor Array Based on Deep Convolutional Neural Network | |
| CN116388933B (zh) | 基于深度学习的通信信号盲识别系统 | |
| Jiang | A manifold constrained multi-head self-attention variational autoencoder method for hyperspectral anomaly detection | |
| CN112926619B (zh) | 一种高精度水下激光目标识别系统 | |
| CN117292307B (zh) | 一种基于粗时间粒度的时序动作提名生成方法及系统 |
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 |