一种基于相似度阈值迁移的多尺度Dtw-BiLstm-Gan心电信号生成方法技术

本发明专利技术一种基于相似度阈值迁移的多尺度Dtw

【技术实现步骤摘要】
一种基于相似度阈值迁移的多尺度Dtw
‑
BiLstm
‑
Gan心电信号生成方法


[0001]本专利技术属于数据增强领域，涉及一种基于相似度阈值迁移的多尺度 Dtw
‑
BiLstm
‑
Gan心电信号生成方法。

技术介绍

[0002]近年来，研究人员加大了人工智能对医疗领域的应用。尤其是心脏病、高血压等等慢性疾病，具有患病率高、伤害性大、发病急、易引发其他疾病等特点。并且从近几年的统计中可以看出，由于社会节奏快、压力大，心脏病、高血压等一些慢性疾病已经从老年人逐渐发展至低年龄段，这引起了人们极大的重视，尤其是心脏病检测这一领域，已经有不少的研究人员展开了相关的心脏检测算法研究。
[0003]为了可以在心脏出现异常时可以做出准确的检测。各种的心电信号分类方法不断出现，采用支持向量机、贝叶斯、线性判别分析等以传统的机器学习算法为代表的分类算法以及基于深度学习人工神经网络进行分类的算法不断出现，虽已经将分类的准确率提升至较高的水平，但由于支持向量机、贝叶斯等传统算法在对心电信号进行分类时存在的不能很好地处理非线性拟合问题、人工处理特征问题以及深度学习存在的医学数据不足、学习能力过拟合问题，致使有关心电信号的分类在F1
‑
分数、灵敏度等分类指标只有百分之九十五左右，并且由于心脏病是关系人类生命健康的重大慢性疾病，我们应力求百分之百的准确率以满足医疗诊治的需要，如何进一步提高分类的准确率，一直以来都是医学领域以及计算机领域的研究热点。
[0004]目前：由于心电信号中存在非正常信号样本量不足的问题，使得目前对于非正常信号在F1
‑
分数、灵敏度等分类指标上只有百分之九十五左右，以及现有方法生成的心电信号与原始数据相似度不够，且生成信号较为单一，缺乏多样性，不能很好的用于心电信号的数据增强任务。

技术实现思路

[0005]为了解决上述问题，本专利技术提供本专利技术采用的技术方案是：一种基于相似度阈值迁移的多尺度Dtw
‑
BiLstm
‑
Gan心电信号生成方法，包括以下步骤：
[0006]获取心电信号数据；
[0007]对心电信号数据进行预处理，提取出心电信号，从提取的心电信号中分类出S类心拍样本和V类心拍样本，由S类心拍样本构建S数据集，由V类心拍样本构建V数据集，并分别将S、V数据集按照比例划分为训练集数据、验证集数据和测试集数据；
[0008]由生成器、判别器、相似度判别器构成得到多尺度Dtw
‑
BiLstm
‑
Gan模型；
[0009]V类心拍样本训练集在多尺度Dtw
‑
BiLstm
‑
Gan模型中预训练，得到的生成器与鉴别器的权重；基于V类心拍样本数据集上预训练得到的生成器与鉴别器的权重，将生成器与鉴别器的权重迁移至S类心拍样本训练集上作为训练多尺度Dtw
‑
BiLstm
‑
Gan的初始权重，
采用S类心拍样本训练集完成对多尺度 Dtw
‑
BiLstm
‑
Gan模型的训练，得到训练好之后的S类心拍样本的多尺度 Dtw
‑
BiLstm
‑
Gan模型；
[0010]基于训练之后的S类心拍样本的多尺度Dtw
‑
BiLstm
‑
Gan模型中的生成器模型生成批次的伪S类心拍样本心电信号，将伪S类心拍样本心电信号与原始的S 类心拍样本心电信号通过DTW算法进行相似度测试。
[0011]进一步地，对心电信号数据进行预处理，提取出心电信号，从提取的心电信号中分类出S类心拍样本和V类心拍样本，由S类心拍样本构建S数据集，由V类心拍样本构建V数据集，并分别将S、V数据集按照比例划分为训练集数据、验证集数据和测试集数据；包括以下步骤：
[0012]对心电信号构成的数据集采取N尺度小波变换对信号进行去噪处理，得到去噪后的心电信号；
[0013]从去噪后的心电信号取R峰的固定步长范围内的心电信号，作为一个心拍样本，构建一个含有M个心拍样本的数据集；
[0014]按照AAMI标准将含有M个心拍样本的数据集划分为正常搏动即N类心拍样本、室上异位波动即S类心拍样本、室性异位搏动即V类心拍样本、融合搏动即F类心拍样本共计四个类别的心拍样本数据集；
[0015]将V类心拍样本数据集按照8：1：1的比例划分为V类心拍样本训练集、V类心拍样本验证集与V类心拍样本测试集，将S类心拍样本数据集按照8：1： 1的比例划分为S类心拍样本训练集、S类心拍样本验证集与S类心拍样本测试集。
[0016]进一步地，所述生成器包括：
[0017]获取增强心电信号前后时间序列相关性的时序信息单元；
[0018]对增强前后时间序列相关性的心电信号进行提取多尺度特征及平滑去噪的双通道结构；
[0019]所述双通道结构包括通道I和通道II；将通道I和通道II进行融合，获得融合之后对心电信号特征；
[0020]对融合后的心电信号特征进行信号上采样及信号特征提取的上采样单元；
[0021]所述上采样单元包括若干上采样层和所述若干个特征提取单元；
[0022]所述若干上采样层和所述若干个特征提取单元交替级联。
[0023]进一步地，所述鉴别器包括：若干个特征提取单元、若干个最大池化层、小批量判别层和全连接层；
[0024]通过若干个特征提取单元与若干个最大池化层交替级联，构建用于信号特征的提取以及降维的第一通道，
[0025]通过小批量判别层搭建使生成的信号具备多样性的第二通道；
[0026]将所述第一通道和所述第二通道相融合，在通道融合之后衔接所述全连接层，所述第一通道和第二通道以及全连接层构成多尺度Dtw
‑
BiLstm
‑
Gan的鉴别器。
[0027]进一步地，所述将V类心拍样本训练集数据批次输入到多尺度 Dtw
‑
BiLstm
‑
Gan中并对多尺度Dtw
‑
BiLstm
‑
Gan进行预训练，得到的生成器与鉴别器的权重，包括以下步骤：
[0028]将V类心拍样本训练集中的心拍样本输入到多尺度Dtw
‑
BiLstm
‑
Gan中，通过鉴别器与生成器交替训练的形式进行对抗训练，生成器产生的伪V类心拍样本心电信号与V类心
拍样本训练集中的原始V类心拍样本信号输入到鉴别器进行鉴别，鉴别器的鉴别结果对生成器进行调整；
[0029]采用交叉熵作为损失函数去衡量生成数据分布和真实数据分布之间的距离，并使用自适应运动估计算法进行反向传播以更新鉴别器以及生成器的参数对多尺度Dtw
‑
BiLstm
‑本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于相似度阈值迁移的多尺度Dtw
‑
BiLstm
‑
Gan心电信号生成方法，其特征在于：包括以下步骤：获取心电信号数据；对心电信号数据进行预处理，提取出心电信号，从提取的心电信号中分类出S类心拍样本和V类心拍样本，由S类心拍样本构建S数据集，由V类心拍样本构建V数据集，并分别将S、V数据集按照比例划分为训练集数据、验证集数据和测试集数据；由生成器、判别器、相似度判别器构成得到多尺度Dtw
‑
BiLstm
‑
Gan模型；V类心拍样本训练集在多尺度Dtw
‑
BiLstm
‑
Gan模型中预训练，得到的生成器与鉴别器的权重；基于V类心拍样本数据集上预训练得到的生成器与鉴别器的权重，将生成器与鉴别器的权重迁移至S类心拍样本训练集上作为训练多尺度Dtw
‑
BiLstm
‑
Gan的初始权重，采用S类心拍样本训练集完成对多尺度Dtw
‑
BiLstm
‑
Gan模型的训练，得到训练好之后的S类心拍样本的多尺度Dtw
‑
BiLstm
‑
Gan模型；基于训练之后的S类心拍样本的多尺度Dtw
‑
BiLstm
‑
Gan模型中的生成器模型生成批次的伪S类心拍样本心电信号，将伪S类心拍样本心电信号与原始的S类心拍样本心电信号通过DTW算法进行相似度测试。2.根据权利要求1所述的基于相似度阈值迁移的多尺度Dtw
‑
BiLstm
‑
Gan心电信号生成方法，其特征在于：对心电信号数据进行预处理，提取出心电信号，从提取的心电信号中分类出S类心拍样本和V类心拍样本，由S类心拍样本构建S数据集，由V类心拍样本构建V数据集，并分别将S、V数据集按照比例划分为训练集数据、验证集数据和测试集数据；包括以下步骤：对心电信号构成的数据集采取N尺度小波变换对信号进行去噪处理，得到去噪后的心电信号；从去噪后的心电信号取R峰的固定步长范围内的心电信号，作为一个心拍样本，构建一个含有M个心拍样本的数据集；按照AAMI标准将含有M个心拍样本的数据集划分为正常搏动即N类心拍样本、室上异位波动即S类心拍样本、室性异位搏动即V类心拍样本、融合搏动即F类心拍样本共计四个类别的心拍样本数据集；将V类心拍样本数据集按照8：1：1的比例划分为V类心拍样本训练集、V类心拍样本验证集与V类心拍样本测试集，将S类心拍样本数据集按照8：1：1的比例划分为S类心拍样本训练集、S类心拍样本验证集与S类心拍样本测试集。3.根据权利要求1所述的基于相似度阈值迁移的多尺度Dtw
‑
BiLstm
‑
Gan心电信号生成方法，其特征在于：所述生成器包括：获取增强心电信号前后时间序列相关性的时序信息单元；对增强前后时间序列相关性的心电信号进行提取多尺度特征及平滑去噪的双通道结构；所述双通道结构包括通道I和通道II；将通道I和通道II进行融合，获得融合之后对心电信号特征；对融合后的心电信号特征进行信号上采样及信号特征提取的上采样单元；所述上采样单元包括若干上采样层和所述若干个特征提取单元；
所述若干上采样层和所述若干个特征提取单元交替级联。4.根据权利要求1所述的基于相似度阈值迁移的多尺度Dtw
‑
BiLstm
‑
Gan心电信号生成方法，其特征在于：所述鉴别器包括：若干个特征提取单元、若干个最大池化层、小批量判别层和全连接层；通过若干个特征提取单元与若干个最大池化层交替级联，构建用于信号特征的提取以及降维的第一通道，通过小批量判别层搭建使生成的信号具备多样性的第二通道；将所述第一通道和所述第二通道相融合，在通道融合之后衔接所述全连接层，所述第一通道和第二通道以及全连接层构成多尺度Dtw
‑
BiLstm
‑
Gan的鉴别器。5.根据权利要求1所述的一种基于相似度阈值迁移的多尺度Dtw
‑
BiLstm
‑
Gan心电信号生成方法，其特征在于：所述将V类心拍样本训练集数据批次输入到多尺度Dtw
‑
...

【专利技术属性】
技术研发人员：王琳，宋欣东，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：