一种基于对抗学习的P波识别方法、终端设备及存储介质技术

本发明专利技术涉及一种基于对抗学习的P波识别方法、终端设备及存储介质，该方法中包括：S1：采集心电图数据并对其内的P波进行标记，将心电图数据和对应的P波标记数据共同组成训练集；S2：构建生成对抗网络模型，设定其中的生成器和判别器的损失函数，通过训练集对生成器和判别器进行迭代训练，使得生成器的损失函数最小，判别器的损失函数最大；S3：通过训练后的生成器生成待标记心电图数据中的P波标记数据，实现对心电图数据的P波识别。本发明专利技术通过构建的生成对抗网络，实现了对心电图P波的识别，解决了现有技术对P波识别效果差的问题。

【技术实现步骤摘要】
一种基于对抗学习的P波识别方法、终端设备及存储介质
本专利技术涉及心电图识别领域，尤其涉及一种基于对抗学习的P波识别方法、终端设备及存储介质。
技术介绍
心电图的P波是心房除极波，代表左右二心房的激动，分析P波对心律失常的诊断与鉴别诊断具有重要意义。在心电图自动分析中，P波识别往往会面临比较大的困难，这是因为相比较于心室波QRS-T，P波幅度低，能量小，而且经常和其他波形重叠。现有的P波识别方法往往基于带通滤波和阈值比对的方法，普通的窦性P波在伪差干扰比较小的情况下识别成功率可以接受，但是对于房性P波、逆传P波、未下传等非常规的P波，识别效果就比较差。这些情况下P波的模式很难用固定的规则来表达，目前只能靠人类医生的经验和直觉判定。想要在机器上直接编码人类的经验和直觉是困难的，然而，可以将问题转化为建立P波的条件分布模型。近年来，深度学习领域发展出的生成对抗网络(GAN)在学习图像数据分布上展现了优异的成果，但由于心电信号相对自然图像的特殊性，目前尚未有此类应用。
技术实现思路
为了解决上述问题，本专利技术提出了一种基于对抗学习的P波识别方法、终端设备及存储介质。具体方案如下：一种基于对抗学习的P波识别方法，包括以下步骤：S1：采集心电图数据并对其内的P波进行标记，将心电图数据和对应的P波标记数据共同组成训练集；S2：构建生成对抗网络模型，设定其中的生成器和判别器的损失函数，通过训练集对生成器和判别器进行迭代训练，使得生成器的损失函数最小，判别器的损失函数最大；>S3：通过训练后的生成器生成待标记心电图数据中的P波标记数据，实现对心电图数据的P波识别。进一步的，步骤S1还包括对心电图数据和对应的P波标记数据进行裁剪，裁剪的方法为：(1)设定数组input_image为心电图数据对应的数组，数组real_image为P波标记数据对应的数组，将input_image和real_image转化为张量，张量维度为[1，1，n，1]，其中n表示原始心电图数据的采样长度；(2)将input_image和real_image在第一个维度上进行堆叠，将堆叠后的结果记为stacked_image，其维度为[2，1，n，1]；(3)对stacked_image的第三个维度进行随机抽样，抽样的范围从0到n-s，s表示裁剪大小，然后把从抽样点开始s个点的数据截取出来，记作cropped_image，维度为[2，1，s，1]；(4)将cropped_image在第一个维度进行拆分，将拆分结果重新赋给input_image和real_image作为裁剪后的结果。进一步的，步骤S1还包括对心电图数据和对应的P波标记数据进行归一化处理。进一步的，生成器的损失函数total_gen_loss为：total_gen_loss＝gan_loss+l1_lossgan_loss＝BinaryCrossentropy(disc_generated_output，ones_like_disc_generated_output)l1_loss＝reduce_mean(|gen_output-target|)其中，disc_generated_output表示判别器的输出张量，ones_like_disc_generated_output表示与disc_generated_output格式相同且值全为1的张量，BinaryCrossentropy表示计算二分类交叉熵，gen_output表示生成器的输出张量，target表示生成器的输入对应的真实P波标记数据，reduce_mean表示在所有维度上求均值，gan_loss和l1_loss均为损失函数的中间变量。进一步的，判别器的损失函数total_disc_loss为：total_disc_loss＝real_loss+generated_lossreal_loss＝BinaryCrossentropy(disc_real_output，ones_like_disc_real_output)generated_loss＝BinaryCrossentropy(disc_generated_output，zeros_like_disc_generated_output)其中，disc_real_output是心电图数据和其对应的P波标记数据输入判别器后得到的输出，ones_like_disc_real_output是和disc_real_output格式相同但值全为1的张量，BinaryCrossentropy表示计算二分类交叉熵，disc_generated_output是心电图数据和心电图数据通过生成器生成的P波标记数据输入判别器后得到的输出，zeros_like_disc_generated_output是和disc_generated_output格式相同但值全为0的张量，real_loss和generated_loss均为损失函数的中间变量。一种基于对抗学习的P波识别终端设备，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本专利技术实施例上述的方法的步骤。一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本专利技术实施例上述的方法的步骤。本专利技术采用如上技术方案，通过构建的生成对抗网络，实现了对心电图P波的识别，解决了现有技术对P波识别效果差的问题。附图说明图1所示为本专利技术实施例一的流程图。图2所示为该实施例中P波标记示意图。图3所示为该实施例中生成器的结构示意图。图4所示为该实施例中一个编码单元单元实例的内部拓扑结构示意图。图5所示为该实施例中一个解码单元实例的内部拓扑结构示意图。图6所示为该实施例中生成器模型的拓扑结构和每一层的输入输出维度。图7所示为该实施例中判别器的结构示意图。图8所示为该实施例中判别器模型的拓扑结构和每一层的输入输出维度。具体实施方式为进一步说明各实施例，本专利技术提供有附图。这些附图为本专利技术揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本专利技术的优点。现结合附图和具体实施方式对本专利技术进一步说明。实施例一：本专利技术实施例提供了一种基于对抗学习的P波识别方法，如图1所示，包括以下步骤。S1：采集心电图数据并对其内的P波进行标记，将心电图数据和对应的P波标记数据共同组成训练集。所述心电图数据可以是单导联数据也可以是多导联数据，在此不做限制，该实施例中以单导联数据为例进行说明。所述标记可以由医学专家进行人工标记，然后保存为归一化的位置掩码，如图2所示。所述心电图数本文档来自技高网...

【技术保护点】
1.一种基于对抗学习的P波识别方法，其特征在于，包括以下步骤：/nS1：采集心电图数据并对其内的P波进行标记，将心电图数据和对应的P波标记数据共同组成训练集；/nS2：构建生成对抗网络模型，设定其中的生成器和判别器的损失函数，通过训练集对生成器和判别器进行迭代训练，使得生成器的损失函数最小，判别器的损失函数最大；/nS3：通过训练后的生成器生成待标记心电图数据中的P波标记数据，实现对心电图数据的P波识别。/n

【技术特征摘要】
1.一种基于对抗学习的P波识别方法，其特征在于，包括以下步骤：
S1：采集心电图数据并对其内的P波进行标记，将心电图数据和对应的P波标记数据共同组成训练集；
S2：构建生成对抗网络模型，设定其中的生成器和判别器的损失函数，通过训练集对生成器和判别器进行迭代训练，使得生成器的损失函数最小，判别器的损失函数最大；
S3：通过训练后的生成器生成待标记心电图数据中的P波标记数据，实现对心电图数据的P波识别。


2.根据权利要求1所述的基于对抗学习的P波识别方法，其特征在于：步骤S1还包括对心电图数据和对应的P波标记数据进行裁剪，裁剪的方法为：
(1)设定数组input_image为心电图数据对应的数组，数组real_image为P波标记数据对应的数组，将input_image和real_image转化为张量，张量维度为[1，1，n，1]，其中n表示原始心电图数据的采样长度；
(2)将input_image和real_image在第一个维度上进行堆叠，将堆叠后的结果记为stacked_image，其维度为[2，1，n，1]；
(3)对stacked_image的第三个维度进行随机抽样，抽样的范围从0到n-s，s表示裁剪大小，然后把从抽样点开始s个点的数据截取出来，记作cropped_image，维度为[2，1，s，1]；
(4)将cropped_image在第一个维度进行拆分，将拆分结果重新赋给input_image和real_image作为裁剪后的结果。


3.根据权利要求1所述的基于对抗学习的P波识别方法，其特征在于：步骤S1还包括对心电图数据和对应的P波标记数据进行归一化处理。


4.根据权利要求1所述的基于对抗学习的P波识别方法，其特征在于：生成器的损失函数total_gen_loss为：
total_gen_loss＝gan_loss+l1_loss
gan_loss＝BinaryCrossentropy(disc_generated_output，ones_like_disc_generated_output)
l1_loss＝reduce_mean(|gen_output-target|)
其中，disc_generated_...

【专利技术属性】
技术研发人员：李熙，徐拥军，
申请(专利权)人：厦门纳龙科技有限公司，
类型：发明
国别省市：福建;35