CN117338310B - 一种基于对比学习和多尺度特征提取的心电信号分类方法 - Google Patents
一种基于对比学习和多尺度特征提取的心电信号分类方法 Download PDFInfo
- Publication number
- CN117338310B CN117338310B CN202311523667.5A CN202311523667A CN117338310B CN 117338310 B CN117338310 B CN 117338310B CN 202311523667 A CN202311523667 A CN 202311523667A CN 117338310 B CN117338310 B CN 117338310B
- Authority
- CN
- China
- Prior art keywords
- module
- layer
- characteristic
- feature
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 20
- 239000000333 selective estrogen receptor modulator Substances 0.000 claims abstract description 34
- 229940095743 selective estrogen receptor modulator Drugs 0.000 claims abstract description 34
- 230000006870 function Effects 0.000 claims description 39
- 230000004913 activation Effects 0.000 claims description 33
- 230000005284 excitation Effects 0.000 claims description 27
- 238000011176 pooling Methods 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 5
- 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
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 claims description 3
- 230000000747 cardiac effect Effects 0.000 claims 2
- 238000005457 optimization Methods 0.000 abstract 1
- 210000002569 neuron Anatomy 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002565 electrocardiography Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000035945 sensitivity Effects 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
- A61B5/7235—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
-
- 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
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Cardiology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种基于对比学习和多尺度特征提取的心电信号分类方法，涉及心电信号分类技术领域，SE‑ResNeXt‑CAN网络模型由浅层特征提取模块、第一SERM模块、第二SERM模块、第一CARM模块、第二CARM模块构成，SE‑ResNeXt‑CAN网络模型通过多个模块的组合和优化，自适应地学习各个通道之间的关联性，扩大感受野，充分捕捉关键特征，提升了心电信号分类任务的性能和泛化能力。
Description
技术领域
本发明涉及心电信号分类技术领域，具体涉及一种基于对比学习和多尺度特征提取的心电信号分类方法。
背景技术
心电信号通常以心电图(Electrocardiogram，简称ECG)的形式展现。ECG通过将电极放置在身体特定位置上，测量心脏电活动的电信号，并将其转换为图形显示。由于其非侵入性和实时性等特点，心电图经常被用于心电信号分类。基于对比学习的心电信号分类方法可以利用数据自身的特点获取有用的特征，而无需预先标注的标签数据进行预训练。然而，传统网络模型在进行心电信号分类时仍存在一些不足之处。例如，对于不同通道的特征处理不充分，无法自适应地学习各个通道之间的关联性。此外，传统网络模型的感受野较小，无法充分捕捉心电信号中的上下文信息。
发明内容
本发明为了克服以上技术的不足，提供了一种提升心电信号分类任务的性能和泛化能力的基于对比学习和多尺度特征提取的心电信号分类方法。
本发明克服其技术问题所采用的技术方案是：
一种基于对比学习和多尺度特征提取的心电信号分类方法，其特征在于，包括如下步骤：
a)将心电信号数据集划分为K个批次，每个批次中有T个信号，构成心电信号集合X，X＝{X1,X2,...,Xi,...,XT}，Xi为第i个心电信号，i∈{1,...,T}；b)将第i个心电信号Xi进行数据增强得到样本
c)建立SE-ResNeXt-CAN网络模型，SE-ResNeXt-CAN网络模型由浅层特征提取模块、第一SERM模块、第二SERM模块、第一CARM模块、第二CARM模块构成；
d)将样本输入到SE-ResNeXt-CAN网络模型的浅层特征提取模块中，输出得到特征f1；
e)将特征f1输入到SE-ResNeXt-CAN网络模型的第一SERM模块中，输出得到特征f2；
f)将特征f2输入到SE-ResNeXt-CAN网络模型的第二SERM模块中，输出得到特征f3；
g)将特征f3输入到SE-ResNeXt-CAN网络模型的第一CARM模块中，输出得到特征f4；
h)将特征f4输入到SE-ResNeXt-CAN网络模型的第二CARM模块中，输出得到特征f5；
i)第一多层感知机依次由展平层、第一全连接层、第二全连接层构成，将特征f5输入到第一多层感知机中，输出得到特征hi；
j)训练SE-ResNeXt-CAN网络模型，得到优化后的SE-ResNeXt-CAN网络模型；
k)将新的心电信号数据集划分为K个批次，每个批次中有T个信号，构成心电信号集合Y，Y＝{Y1,Y2,...,Yi,...,YN}，Yi为第i个心电信号，i∈{1,...,T}；
n)将第i个心电信号Yi输入到优化后的SE-ResNeXt-CAN网络模型中，输出得到特征f5′，第二多层感知机依次由展平层、第一全连接层、Relu激活函数层、第二全连接层构成，将特征f5′输入到第二多层感知机中，输出得到特征f5″，将特征f5″输入到softmax激活函数中，输出得到第i个心电信号Yi的概率分布zi，概率分布zi为心电分类结果。
进一步的，步骤a)中的心电信号数据集为PTB-XL数据集，每个批次中的T个信号的采样率为500Hz，持续时间为10秒。
进一步的，步骤b)包括如下步骤：
b-1)使用Python中的np.random.normal函数来生成均值为0、方差为0.01、且尺寸和第i个心电信号Xi相同的高斯噪声；
b-2)将高斯噪声与第i个心电信号Xi相加，得到样本进一步的，步骤d)包括如下步骤：
d-1)SE-ResNeXt-CAN网络模型的浅层特征提取模块依次由卷积层、Batch_Norm层、Relu激活函数、Dropout层构成，将样本输入到浅层特征提取模块中，输出得到特征f1。
进一步的，步骤e)包括如下步骤：
e-1)SE-ResNeXt-CAN网络模型的第一SERM模块由残差模块、激励和卷积模块构成；
e-2)第一SERM模块的残差模块由第一分支、第二分支构成，残差模块的第一分支依次由第一卷积层、第二卷积层、第一BN层、Relu激活函数、第三卷积层、第二BN层、Dropout层构成，将特征f1输入到残差模块的第一分支中，输出得到特征f1 2，残差模块的第二分支依次由最大池化层、卷积层构成，将特征f1输入到残差模块的第二分支中，输出得到特征将特征f1 2与特征/>进行相加操作，得到特征rm1；
e-3)激励和卷积模块依次由第一卷积层、第一SE模块、第二卷积层、第二SE模块、第三卷积层、第三SE模块构成，将特征f1输入到激励和卷积模块中，输出得到特征
e-4)将特征rm1与特征进行相加操作，得到特征f2。
进一步的，步骤f)包括如下步骤：
f-1)SE-ResNeXt-CAN网络模型的第二SERM模块由残差模块、激励和卷积模块构成；
f-2)第二SERM模块的残差模块由第一分支、第二分支构成，残差模块的第一分支依次由第一卷积层、第二卷积层、第一BN层、Relu激活函数、第三卷积层、第二BN层、Dropout层构成，将特征f2输入到残差模块的第一分支中，输出得到特征f1 3，残差模块的第二分支依次由最大池化层、卷积层构成，将特征f2输入到残差模块的第二分支中，输出得到特征将特征f1 3与特征/>进行相加操作，得到特征rm2；
f-3)激励和卷积模块依次由第一卷积层、第一SE模块、第二卷积层、第二SE模块、第三卷积层、第三SE模块构成，将特征f2输入到激励和卷积模块中，输出得到特征f-4)将特征rm2与特征/>进行相加操作，得到特征f3。
进一步的，步骤g)包括如下步骤：
g-1)SE-ResNeXt-CAN网络模型的第一CARM模块由残差模块、空洞卷积模块、通道注意力模块构成；
g-2)第一CARM模块的残差模块由第一分支、第二分支构成，残差模块的第一分支依次由第一卷积层、BN层、第一Relu激活函数、第二卷积层、第二Relu激活函数、Dropout层构成，将特征f3输入到残差模块的第一分支中，输出得到特征f1 4，残差模块的第二分支由卷积层构成，将特征f3输入到残差模块的第二分支中，输出得到特征将特征f1 4与特征/>进行相加操作，得到特征rm3；
g-3)第一CARM模块的空洞卷积模块依次由第一空洞卷积层、第一卷积层、第二空洞卷积层、第二卷积层、Relu激活函数构成，将特征f3输入到空洞卷积模块中，输出得到特征将特征rm3与特征/>进行相加操作，得到特征pcdc1；g-4)第一CARM模块的通道注意力模块依次由卷积层、平均池化层、第一全连接层、第二全连接层构成，将特征f3输入到通道注意力模块中，输出得到特征/>g-5)将特征pcdc1与特征/>进行相乘操作，得到特征f4。
进一步的，步骤h)包括如下步骤：
h-1)SE-ResNeXt-CAN网络模型的第二CARM模块由残差模块、空洞卷积模块、通道注意力模块构成；
h-2)第二CARM模块的残差模块由第一分支、第二分支构成，残差模块的第一分支依次由第一卷积层、BN层、第一Relu激活函数、第二卷积层、第二Relu激活函数、Dropout层构成，将特征f4输入到残差模块的第一分支中，输出得到特征f1 5，残差模块的第二分支由卷积层构成，将特征f4输入到残差模块的第二分支中，输出得到特征将特征f1 5与特征/>进行相加操作，得到特征rm4；
h-3)第二CARM模块的空洞卷积模块依次由第一空洞卷积层、第一卷积层、第二空洞卷积层、第二卷积层、Relu激活函数构成，将特征f4输入到空洞卷积模块中，输出得到特征将特征rm4与特征/>进行相加操作，得到特征pcdc2；h-4)第二CARM模块的通道注意力模块依次由卷积层、平均池化层、第一全连接层、第二全连接层构成，将特征f4输入到通道注意力模块中，输出得到特征/>h-5)将特征pcdc2与特征/>进行相乘操作，得到特征f5。
进一步的，步骤j)中使用Adam优化器通过NT-Xent损失函数训练SE-ResNeXt-CAN网络模型，得到优化后的SE-ResNeXt-CAN网络模型。
进一步的，步骤k)中新的心电信号数据集为CPSC数据集，每个批次中的T个信号的采样率为500Hz，持续时间为10秒。
本发明的有益效果是：SE-ResNeXt-CAN网络模型包括五个模块：第一个模块是浅层特征提取模块，用于提取浅层的特征，第二个模块是第一SERM模块，第一SERM模块由并行的残差模块和激励和卷积模块组成，第三个模块是第二SERM模块，第二SERM模块由并行的残差模块和激励和卷积模块组成，SE模块可以通过自适应地学习通道间的相关性，对不同通道的特征赋予不同的权重，从而提高了特征表示的有效性和区分度，有助于提升模型的表达能力，SE模块和卷积是串行组成的，可以减少网络的总参数量。相比于并行组合方式，串行组合方式在保持一定的性能的同时，能够更高效地利用模型的参数。第四个模块是第一CARM模块，第一CARM模块由并行的空洞卷积模块和残差模块和通道注意力模块组成，第五个模块是第二CARM模块，第二CARM模块由并行的空洞卷积模块和残差模块和通道注意力模块组成，空洞卷积模块可以学习不同感受野大小的特征，从而提高特征提取的多样性和丰富性。通过并行操作，可以同时获取多个尺度的特征信息，有利于捕捉不同层次的特征表示。残差模块有助于保持特征的完整性和连贯性，防止梯度消失等问题，通道注意力模块可以自适应地学习通道之间的相关性，并赋予不同通道不同的权重。这样可以提高特征表示的有效性和区分度，有助于模型关注重要的特征通道，提升模型的表达能力。通过各个模块的组合，基于对比学习和多尺度特征提取的心电信号分类方法可以更好地捕捉心电信号中的关键特征，并提高分类准确性和鲁棒性。
附图说明
图1为本发明的方法流程图；
图2为本发明的SERM模块的结构图；
图3为本发明的CARM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。
一种基于对比学习和多尺度特征提取的心电信号分类方法，其特征在于，包括如下步骤：
a)将心电信号数据集划分为K个批次，每个批次中有T个信号，构成心电信号集合X，X＝{X1,X2,...,Xi,...,XT}，Xi为第i个心电信号，i∈{1,...,T}。b)将第i个心电信号Xi进行数据增强得到样本
c)建立SE-ResNeXt-CAN网络模型，SE-ResNeXt-CAN网络模型由浅层特征提取模块、第一SERM模块、第二SERM模块、第一CARM模块、第二CARM模块构成。通过这5个模块的组合来提高特征提取能力，并实现逐级特征表示，有助于提升模型额性能和泛化能力，提高下游分类任务性能。
d)将样本输入到SE-ResNeXt-CAN网络模型的浅层特征提取模块中，输出得到特征f1。
e)将特征f1输入到SE-ResNeXt-CAN网络模型的第一SERM模块中，输出得到特征f2。
f)将特征f2输入到SE-ResNeXt-CAN网络模型的第二SERM模块中，输出得到特征f3。
g)将特征f3输入到SE-ResNeXt-CAN网络模型的第一CARM模块中，输出得到特征f4。
h)将特征f4输入到SE-ResNeXt-CAN网络模型的第二CARM模块中，输出得到特征f5。
i)第一多层感知机依次由展平层、第一全连接层、第二全连接层构成，将特征f5输入到第一多层感知机中，输出得到特征hi。第一多层感知机的第一全连接层的神经元为64，第一多层感知机的第二全连接层的神经元为32。特征hi的特征维度为32。
j)训练SE-ResNeXt-CAN网络模型，得到优化后的SE-ResNeXt-CAN网络模型。
k)将新的心电信号数据集划分为K个批次，每个批次中有T个信号，构成心电信号集合Y，Y＝{Y1,Y2,...,Yi,...,YN}，Yi为第i个心电信号，i∈{1,...,T}。n)将第i个心电信号Yi输入到优化后的SE-ResNeXt-CAN网络模型中，输出得到特征f5′，特征f5′的通道数为512，特征维度为40，第二多层感知机依次由展平层、第一全连接层、Relu激活函数层、第二全连接层构成，将特征f5′输入到第二多层感知机中，输出得到特征f5″，将特征f5″输入到softmax激活函数中，输出得到第i个心电信号Yi的概率分布zi，概率分布zi为心电分类结果。第二多层感知机的第一全连接层的神经元为16，第二多层感知机的第二全连接层的神经元为9，
SE-ResNeXt-CAN网络模型包括浅层特征提取模块、第一SERM模块、第二SERM模块、第一CARM模块、第二CARM模块。SERM由并行的残差模块与激励和卷积模块组成，残差模块可以更容易地学习到恒等映射(identity mapping)，从而加速网络的收敛速度。SE模块通过对特征图的全局信息进行建模，能够有效地挖掘特征之间的通道相关性，提高特征的表达能力。当SE模块与卷积层结合时，可以在特征提取的同时对特征进行重要性加权，进一步增强了特征的表达能力，有助于提高模型性能。CARM模块由并行的空洞卷积模块和残差模块和通道注意力模块组成，空洞卷积模块扩大感受野，提取更丰富的上下文信息，残差模块可以帮助网络更好地训练和优化深层结构，通道注意力模块则有助于提高网络的特征表达能力和泛化能力。
在本发明的一个实施例中，步骤a)中的心电信号数据集为PTB-XL数据集，每个批次中的T个信号的采样率为500Hz，持续时间为10秒。
在本发明的一个实施例中，步骤b)包括如下步骤：
b-1)使用Python中的np.random.normal函数来生成均值为0、方差为0.01、且尺寸和第i个心电信号Xi相同的高斯噪声。
b-2)将高斯噪声与第i个心电信号Xi相加，得到样本步骤d)包括如下步骤：
d-1)SE-ResNeXt-CAN网络模型的浅层特征提取模块依次由卷积层、Batch_Norm层、Relu激活函数、Dropout层构成，将样本输入到浅层特征提取模块中，输出得到特征f1。浅层特征提取模块的卷积层的通道数为32、卷积核大小为3、步长为2、填充为1，Dropout层的概率为0.5，特征f1的通道数为32，特征维度为2500。
在本发明的一个实施例中，步骤e)包括如下步骤：
e-1)SE-ResNeXt-CAN网络模型的第一SERM模块由残差模块、激励和卷积模块构成。
e-2)第一SERM模块的残差模块由第一分支、第二分支构成，残差模块的第一分支依次由第一卷积层、第二卷积层、第一BN层、Relu激活函数、第三卷积层、第二BN层、Dropout层构成，将特征f1输入到残差模块的第一分支中，输出得到特征f1 2，残差模块的第二分支依次由最大池化层、卷积层构成，将特征f1输入到残差模块的第二分支中，输出得到特征将特征f1 2与特征/>进行相加操作，得到特征rm1。第一分支的第一卷积层的通道数为64、卷积核大小为3、步长为2、填充为1，第一分支的第二卷积层的通道数为64、卷积核大小为3、步长为2、填充为1，第一分支的第三卷积层的通道数为64、卷积核大小为3、步长为1、填充为1。第一分支的Dropout层的概率为0.5。第二分支的卷积层的通道数为64、卷积核大小为3、步长为2、填充为1，第二分支的最大池化层的池化窗口为2。
e-3)激励和卷积模块依次由第一卷积层、第一SE模块、第二卷积层、第二SE模块、第三卷积层、第三SE模块构成，将特征f1输入到激励和卷积模块中，输出得到特征激励和卷积模块的第一卷积层的通道数为64、卷积核大小为3、步长为2、填充为1，激励和卷积模块的第二卷积层的通道数为64、卷积核大小为3、步长为2、填充为1，激励和卷积模块的第三卷积层的通道数为64、卷积核大小为3、步长为1、填充为1。
e-4)将特征rm1与特征进行相加操作，得到特征f2。特征f2的通道数为64，特征维度为625。
在本发明的一个实施例中，步骤f)包括如下步骤：
f-1)SE-ResNeXt-CAN网络模型的第二SERM模块由残差模块、激励和卷积模块构成。
f-2)第二SERM模块的残差模块由第一分支、第二分支构成，残差模块的第一分支依次由第一卷积层、第二卷积层、第一BN层、Relu激活函数、第三卷积层、第二BN层、Dropout层构成，将特征f2输入到残差模块的第一分支中，输出得到特征f1 3，残差模块的第二分支依次由最大池化层、卷积层构成，将特征f2输入到残差模块的第二分支中，输出得到特征将特征f1 3与特征/>进行相加操作，得到特征rm2。第一分支的第一卷积层的通道数为128、卷积核大小为3、步长为2、填充为1，第一分支的第二卷积层的通道数为128、卷积核大小为3、步长为2、填充为1，第一分支的第三卷积层的通道数为128、卷积核大小为3、步长为1、填充为1。第一分支的Dropout层的概率为0.5。第二分支的卷积层的通道数为128、卷积核大小为3、步长为2、填充为2，第二分支的最大池化层的池化窗口为2。
f-3)激励和卷积模块依次由第一卷积层、第一SE模块、第二卷积层、第二SE模块、第三卷积层、第三SE模块构成，将特征f2输入到激励和卷积模块中，输出得到特征激励和卷积模块的第一卷积层的通道数为128、卷积核大小为3、步长为2、填充为1，激励和卷积模块的第二卷积层的通道数为128、卷积核大小为3、步长为2、填充为1，激励和卷积模块的第三卷积层的通道数为128、卷积核大小为3、步长为1、填充为1。
f-4)将特征rm2与特征进行相加操作，得到特征f3。特征f3的通道数为128，特征维度为157。
在本发明的一个实施例中，步骤g)包括如下步骤：
g-1)SE-ResNeXt-CAN网络模型的第一CARM模块由残差模块、空洞卷积模块、通道注意力模块构成。
g-2)第一CARM模块的残差模块由第一分支、第二分支构成，残差模块的第一分支依次由第一卷积层、BN层、第一Relu激活函数、第二卷积层、第二Relu激活函数、Dropout层构成，将特征f3输入到残差模块的第一分支中，输出得到特征f1 4，残差模块的第二分支由卷积层构成，将特征f3输入到残差模块的第二分支中，输出得到特征将特征f1 4与特征/>进行相加操作，得到特征rm3。第一分支的第一卷积层的通道数为256、卷积核大小为3、步长为2、填充为1，第一分支的第二卷积层的通道数为256、卷积核大小为3、步长为1、填充为1。第二分支的卷积层的通道数为256、卷积核大小为3、步长为2、填充为1。
g-3)第一CARM模块的空洞卷积模块依次由第一空洞卷积层、第一卷积层、第二空洞卷积层、第二卷积层、Relu激活函数构成，将特征f3输入到空洞卷积模块中，输出得到特征将特征rm3与特征/>进行相加操作，得到特征pcdc1。空洞卷积模块的第一空洞卷积层的通道数为256、卷积核大小为5、膨胀率为2、步长为1、填充为4，空洞卷积模块的第二空洞卷积层的通道数为256、卷积核大小为5、膨胀率为2、步长为1、填充为4，空洞卷积模块的第一卷积层的通道数为256、卷积核大小为3、步长为2、填充为1，空洞卷积模块的第二卷积层的通道数为256、卷积核大小为3、步长为1、填充为1。
g-4)第一CARM模块的通道注意力模块依次由卷积层、平均池化层、第一全连接层、第二全连接层构成，将特征f3输入到通道注意力模块中，输出得到特征通道注意力模块的卷积层的通道数为256、卷积核大小为1、步长为1，通道注意力模块的平均池化层的池化窗口为157，通道注意力模块的第一全连接层神经元数为64，通道注意力模块的第二全连接层神经元数为1。
g-5)将特征pcdc1与特征进行相乘操作，得到特征f4。特征f4的通道数为256，特征维度为79。
在本发明的一个实施例中，步骤h)包括如下步骤：
h-1)SE-ResNeXt-CAN网络模型的第二CARM模块由残差模块、空洞卷积模块、通道注意力模块构成。
h-2)第二CARM模块的残差模块由第一分支、第二分支构成，残差模块的第一分支依次由第一卷积层、BN层、第一Relu激活函数、第二卷积层、第二Relu激活函数、Dropout层构成，将特征f4输入到残差模块的第一分支中，输出得到特征f1 5，残差模块的第二分支由卷积层构成，将特征f4输入到残差模块的第二分支中，输出得到特征将特征f1 5与特征/>进行相加操作，得到特征rm4。第一分支的第一卷积层的通道数为512、卷积核大小为3、步长为2、填充为1，第一分支的第二卷积层的通道数为512、卷积核大小为3、步长为1、填充为1。第二分支的卷积层的通道数为512、卷积核大小为3、步长为2、填充为1。
h-3)第二CARM模块的空洞卷积模块依次由第一空洞卷积层、第一卷积层、第二空洞卷积层、第二卷积层、Relu激活函数构成，将特征f4输入到空洞卷积模块中，输出得到特征将特征rm4与特征/>进行相加操作，得到特征pcdc2。空洞卷积模块的第一空洞卷积层的通道数为512、卷积核大小为5、膨胀率为2、步长为1、填充为4，空洞卷积模块的第二空洞卷积层的通道数为512、卷积核大小为5、膨胀率为2、步长为1、填充为4，空洞卷积模块的第一卷积层的通道数为512、卷积核大小为3、步长为2、填充为1，空洞卷积模块的第二卷积层的通道数为512、卷积核大小为3、步长为1、填充为1。
h-4)第二CARM模块的通道注意力模块依次由卷积层、平均池化层、第一全连接层、第二全连接层构成，将特征f4输入到通道注意力模块中，输出得到特征通道注意力模块的卷积层的通道数为512、卷积核大小为1、步长为1，通道注意力模块的平均池化层的池化窗口为79，通道注意力模块的第一全连接层神经元数为128，通道注意力模块的第二全连接层神经元数为1。
h-5)将特征pcdc2与特征进行相乘操作，得到特征f5。特征f5的通道数为512，特征维度为40。
在本发明的一个实施例中，步骤j)中使用Adam优化器通过NT-Xent损失函数训练SE-ResNeXt-CAN网络模型，得到优化后的SE-ResNeXt-CAN网络模型。
在本发明的一个实施例中，步骤k)中新的心电信号数据集为CPSC数据集，每个批次中的T个信号的采样率为500Hz，持续时间为10秒。CPSC数据集的类别数为9。
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)
1.一种基于对比学习和多尺度特征提取的心电信号分类方法，其特征在于，包括如下步骤：
a)将心电信号数据集划分为K个批次，每个批次中有T个信号，构成心电信号集合X，X＝{X1,X2,...,Xi,...,XT}，Xi为第i个心电信号，i∈{1,…,T}；
b)将第i个心电信号Xi进行数据增强得到样本
c)建立SE-ResNeXt-CAN网络模型，SE-ResNeXt-CAN网络模型由浅层特征提取模块、第一SERM模块、第二SERM模块、第一CARM模块、第二CARM模块构成；
d)将样本输入到SE-ResNeXt-CAN网络模型的浅层特征提取模块中，输出得到特征f1；
e)将特征f1输入到SE-ResNeXt-CAN网络模型的第一SERM模块中，输出得到特征f2；
f)将特征f2输入到SE-ResNeXt-CAN网络模型的第二SERM模块中，输出得到特征f3；
g)将特征f3输入到SE-ResNeXt-CAN网络模型的第一CARM模块中，输出得到特征f4；
h)将特征f4输入到SE-ResNeXt-CAN网络模型的第二CARM模块中，输出得到特征f5；
i)第一多层感知机依次由展平层、第一全连接层、第二全连接层构成，将特征f5输入到第一多层感知机中，输出得到特征hi；
j)训练SE-ResNeXt-CAN网络模型，得到优化后的SE-ResNeXt-CAN网络模型；
k)将新的心电信号数据集划分为K个批次，每个批次中有T个信号，构成心电信号集合Y，Y＝{Y1,Y2,…,Yi,…,YN}，Yi为第i个心电信号，i∈{1,...,T}；n)将第i个心电信号Yi输入到优化后的SE-ResNeXt-CAN网络模型中，输出得到特征f5′，第二多层感知机依次由展平层、第一全连接层、Relu激活函数层、第二全连接层构成，将特征f5′输入到第二多层感知机中，输出得到特征f5″，将特征f5″输入到softmax激活函数中，输出得到第i个心电信号Yi的概率分布zi，概率分布zi为心电分类结果；
步骤e)包括如下步骤：
e-1)SE-ResNeXt-CAN网络模型的第一SERM模块由残差模块、激励和卷积模块构成；
e-2)第一SERM模块的残差模块由第一分支、第二分支构成，残差模块的第一分支依次由第一卷积层、第二卷积层、第一BN层、Relu激活函数、第三卷积层、第二BN层、Dropout层构成，将特征f1输入到残差模块的第一分支中，输出得到特征f1 2，残差模块的第二分支依次由最大池化层、卷积层构成，将特征f1输入到残差模块的第二分支中，输出得到特征将特征f1 2与特征/>进行相加操作，得到特征rm1；
e-3)激励和卷积模块依次由第一卷积层、第一SE模块、第二卷积层、第二SE模块、第三卷积层、第三SE模块构成，将特征f1输入到激励和卷积模块中，输出得到特征f3 2；
e-4)将特征rm1与特征f3 2进行相加操作，得到特征f2；
步骤f)包括如下步骤：
f-1)SE-ResNeXt-CAN网络模型的第二SERM模块由残差模块、激励和卷积模块构成；
f-2)第二SERM模块的残差模块由第一分支、第二分支构成，残差模块的第一分支依次由第一卷积层、第二卷积层、第一BN层、Relu激活函数、第三卷积层、第二BN层、Dropout层构成，将特征f2输入到残差模块的第一分支中，输出得到特征f1 3，残差模块的第二分支依次由最大池化层、卷积层构成，将特征f2输入到残差模块的第二分支中，输出得到特征将特征f1 3与特征/>进行相加操作，得到特征rm2；
f-3)激励和卷积模块依次由第一卷积层、第一SE模块、第二卷积层、第二SE模块、第三卷积层、第三SE模块构成，将特征f2输入到激励和卷积模块中，输出得到特征f3 3；
f-4)将特征rm2与特征f3 3进行相加操作，得到特征f3；
步骤g)包括如下步骤：
g-1)SE-ResNeXt-CAN网络模型的第一CARM模块由残差模块、空洞卷积模块、通道注意力模块构成；
g-2)第一CARM模块的残差模块由第一分支、第二分支构成，残差模块的第一分支依次由第一卷积层、BN层、第一Relu激活函数、第二卷积层、第二Relu激活函数、Dropout层构成，将特征f3输入到残差模块的第一分支中，输出得到特征f1 4，残差模块的第二分支由卷积层构成，将特征f3输入到残差模块的第二分支中，输出得到特征将特征f1 4与特征/>进行相加操作，得到特征rm3；
g-3)第一CARM模块的空洞卷积模块依次由第一空洞卷积层、第一卷积层、第二空洞卷积层、第二卷积层、Relu激活函数构成，将特征f3输入到空洞卷积模块中，输出得到特征f3 4，将特征rm3与特征f3 4进行相加操作，得到特征pcdc1；g-4)第一CARM模块的通道注意力模块依次由卷积层、平均池化层、第一全连接层、第二全连接层构成，将特征f3输入到通道注意力模块中，输出得到特征
g-5)将特征pcdc1与特征进行相乘操作，得到特征f4；
步骤h)包括如下步骤：
h-1)SE-ResNeXt-CAN网络模型的第二CARM模块由残差模块、空洞卷积模块、通道注意力模块构成；
h-2)第二CARM模块的残差模块由第一分支、第二分支构成，残差模块的第一分支依次由第一卷积层、BN层、第一Relu激活函数、第二卷积层、第二Relu激活函数、Dropout层构成，将特征f4输入到残差模块的第一分支中，输出得到特征f1 5，残差模块的第二分支由卷积层构成，将特征f4输入到残差模块的第二分支中，输出得到特征将特征f1 5与特征/>进行相加操作，得到特征rm4；
h-3)第二CARM模块的空洞卷积模块依次由第一空洞卷积层、第一卷积层、第二空洞卷积层、第二卷积层、Relu激活函数构成，将特征f4输入到空洞卷积模块中，输出得到特征f3 5，将特征rm4与特征f3 5进行相加操作，得到特征pcdc2；h-4)第二CARM模块的通道注意力模块依次由卷积层、平均池化层、第一全连接层、第二全连接层构成，将特征f4输入到通道注意力模块中，输出得到特征h-5)将特征pcdc2与特征/>进行相乘操作，得到特征f5。
2.根据权利要求1所述的基于对比学习和多尺度特征提取的心电信号分类方法，其特征在于：步骤a)中的心电信号数据集为PTB-XL数据集，每个批次中的T个信号的采样率为500Hz，持续时间为10秒。
3.根据权利要求1所述的基于对比学习和多尺度特征提取的心电信号分类方法，其特征在于，步骤b)包括如下步骤：
b-1)使用Python中的np.random.normal函数来生成均值为0、方差为0.01、且尺寸和第i个心电信号Xi相同的高斯噪声；
b-2)将高斯噪声与第i个心电信号Xi相加，得到样本
4.根据权利要求1所述的基于对比学习和多尺度特征提取的心电信号分类方法，其特征在于，步骤d)包括如下步骤：
d-1)SE-ResNeXt-CAN网络模型的浅层特征提取模块依次由卷积层、Batch_Norm层、Relu激活函数、Dropout层构成，将样本输入到浅层特征提取模块中，输出得到特征f1。
5.根据权利要求1所述的基于对比学习和多尺度特征提取的心电信号分类方法，其特征在于：步骤j)中使用Adam优化器通过NT-Xent损失函数训练SE-ResNeXt-CAN网络模型，得到优化后的SE-ResNeXt-CAN网络模型。
6.根据权利要求1所述的基于对比学习和多尺度特征提取的心电信号分类方法，其特征在于：步骤k)中新的心电信号数据集为CPSC数据集，每个批次中的T个信号的采样率为500Hz，持续时间为10秒。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311523667.5A CN117338310B (zh) | 2023-11-16 | 2023-11-16 | 一种基于对比学习和多尺度特征提取的心电信号分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311523667.5A CN117338310B (zh) | 2023-11-16 | 2023-11-16 | 一种基于对比学习和多尺度特征提取的心电信号分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117338310A CN117338310A (zh) | 2024-01-05 |
| CN117338310B true CN117338310B (zh) | 2024-04-09 |
Family
ID=89355865
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311523667.5A Active CN117338310B (zh) | 2023-11-16 | 2023-11-16 | 一种基于对比学习和多尺度特征提取的心电信号分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117338310B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118133188A (zh) * | 2024-04-09 | 2024-06-04 | 齐鲁工业大学(山东省科学院) | 一种基于对比学习和CHNet模型的心电分类方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110309758A (zh) * | 2019-06-26 | 2019-10-08 | 广州视源电子科技股份有限公司 | 心电信号特征提取方法、装置、计算机设备及存储介质 |
| AU2020103901A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field |
| WO2022193312A1 (zh) * | 2021-03-19 | 2022-09-22 | 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 |
| CN116028858A (zh) * | 2022-09-15 | 2023-04-28 | 山东大学 | 基于预标签的自监督神经网络学习心拍分类方法及系统 |
| CN116975600A (zh) * | 2023-08-04 | 2023-10-31 | 广东玖智科技有限公司 | 一种多尺度、多模态对比学习的生物医学时序信号应用算法 |
-
2023
- 2023-11-16 CN CN202311523667.5A patent/CN117338310B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110309758A (zh) * | 2019-06-26 | 2019-10-08 | 广州视源电子科技股份有限公司 | 心电信号特征提取方法、装置、计算机设备及存储介质 |
| AU2020103901A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field |
| WO2022193312A1 (zh) * | 2021-03-19 | 2022-09-22 | 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 |
| CN116028858A (zh) * | 2022-09-15 | 2023-04-28 | 山东大学 | 基于预标签的自监督神经网络学习心拍分类方法及系统 |
| CN116975600A (zh) * | 2023-08-04 | 2023-10-31 | 广东玖智科技有限公司 | 一种多尺度、多模态对比学习的生物医学时序信号应用算法 |
Non-Patent Citations (1)
| Title |
|---|
| 融合领域知识的心跳异常检测深度模型研究及应用;李文浩;中国优秀硕士学位论文全文数据库 医药卫生科技辑;20230715(第7期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117338310A (zh) | 2024-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Al-Haija et al. | Breast cancer diagnosis in histopathological images using ResNet-50 convolutional neural network | |
| CN108806792B (zh) | 深度学习面诊系统 | |
| CN110020623B (zh) | 基于条件变分自编码器的人体活动识别系统及方法 | |
| CN109620152B (zh) | 一种基于MutiFacolLoss-Densenet的心电信号分类方法 | |
| CN111563533B (zh) | 基于图卷积神经网络融合多种人脑图谱的受试者分类方法 | |
| CN117338310B (zh) | 一种基于对比学习和多尺度特征提取的心电信号分类方法 | |
| CN109920501A (zh) | 基于卷积神经网络和主动学习的电子病历分类方法及系统 | |
| CN109567793B (zh) | 一种面向心律不齐分类的ecg信号处理方法 | |
| CN111329469A (zh) | 一种心律异常预测方法 | |
| CN112294341B (zh) | 一种基于轻量卷积神经网络的睡眠脑电纺锤波识别方法及系统 | |
| CN111000553A (zh) | 一种基于投票集成学习的心电数据智能分类方法 | |
| CN113344044B (zh) | 一种基于领域自适应的跨物种医疗影像分类方法 | |
| CN113113130A (zh) | 一种肿瘤个体化诊疗方案推荐方法 | |
| CN114190952B (zh) | 一种基于导联分组的12导联心电信号多标签分类方法 | |
| CN111803059A (zh) | 一种基于时域卷积网络的心电信号分类方法及装置 | |
| CN114842238A (zh) | 一种嵌入式乳腺超声影像的识别方法 | |
| CN113274031A (zh) | 一种基于深度卷积残差网络的心律失常分类方法 | |
| CN113780249A (zh) | 表情识别模型的处理方法、装置、设备、介质和程序产品 | |
| CN114743037A (zh) | 一种基于多尺度结构学习的深度医学图像聚类方法 | |
| CN112101418A (zh) | 一种乳腺肿瘤类型识别方法、系统、介质及设备 | |
| CN115578568A (zh) | 一种小规模可靠数据集驱动的噪声修正算法 | |
| CN115600137A (zh) | 面向不完备类别数据的多源域变工况机械故障诊断方法 | |
| CN113707317B (zh) | 一种基于混合模型的疾病危险因素重要性分析方法 | |
| Rahman et al. | Deep learning-based left ventricular ejection fraction estimation from echocardiographic videos | |
| Sabah et al. | Pistachio Variety Classification using Convolutional Neural Networks |
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 |