基于预标签的自监督神经网络学习心拍分类方法及系统技术方案

本公开涉及心电图的自动智能辅助检测技术领域，提出了基于预标签的自监督神经网络学习心拍分类方法及系统，分类方法包括如下步骤：对获取的心电数据进行预处理得到心拍数据；将获取的一维心拍数据进行时频分析转换为二维时频图；将转换后的二维时频图，输入至训练好的自监督式学习网络模型，对心拍数据进行分类，得到分类结果；所述自监督式学习网络模型训练，结合SimCLR方法和聚类方法，从而使损失函数项由一项变成两项，强化了学习的效果，能够提高心拍数据的分类的精度。能够提高心拍数据的分类的精度。能够提高心拍数据的分类的精度。

【技术实现步骤摘要】
基于预标签的自监督神经网络学习心拍分类方法及系统


[0001]本公开涉及心电图的自动智能辅助检测相关
，具体的说，是涉及一种基于预标签的自监督神经网络学习心拍分类方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，并不必然构成在先技术。
[0003]传统的心拍分类方法主要有两种：基于特征提取的机器学习算法和无特征提取的深度学习方法，而在深度学习方法中又主要分为监督式学习方法和无监督式学习方法，自监督式学习方法是一项崭新的技术。
[0004]传统的机器学习算法用于心拍数据时需要依据先验经验由人工提取时域、频域等各方面特征等，当基于特征提取的机器学习算法用于心拍分类时，根据提取的特征选择和训练合适的分类器进行分类。因此，所选特征对分类性能有关键影响。传统的机器学习算法在早期提取特征时依赖于先验知识，若先验知识不足，选择的特征较弱则影响最终的分类性能。分类器的设计受到特征提取能力的限制，不能真实反映心电信号的内部属性，这使得心拍分类的性能在很大程度上依赖于特征选择的正确性和真实性，影响了心拍分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于预标签的自监督神经网络学习心拍分类方法，其特征在于，包括如下步骤：对获取的心电数据进行预处理得到心拍数据；将获取的一维心拍数据进行时频分析转换为二维时频图；将转换后的二维时频图，输入至训练好的自监督式学习网络模型，对心拍数据进行分类，得到分类结果；所述自监督式学习网络模型，采用聚类方法在每一轮训练开始给转换后的二维时频图打上预标签，训练的损失函数包括对比学习损失，以及聚类中心与各类样本的夹角损失，以对比学习方式进行模型训练，得到训练好的模型。2.如权利要求1所述的基于预标签的自监督神经网络学习心拍分类方法，其特征在于：数据预处理包括数据去噪和心拍提取；或者，数据去噪采用小波变换除燥；或者，心拍提取方法，包括如下步骤：对去噪后的心电信号进行处理，定位QRS波，对于QRS波的定位和检测，使用Pan
‑
Tompkins算法实现R波的精确定位和检测；检测完ECG信号上的R波位置后，心拍信号以R波位置为中心进行长度截取，并对截取的心拍数据进行归一化处理。3.如权利要求1所述的基于预标签的自监督神经网络学习心拍分类方法，其特征在于：采用韦格纳分布变换时频分析方法将一维心电数据重建为二维时频图。4.如权利要求1所述的基于预标签的自监督神经网络学习心拍分类方法，其特征在于：自监督式学习网络模型采用孪生神经网络，包括一个左网络和一个右网络，输出数据是输入数据的高维度空间的表征；孪生神经网络采用两个2D
‑
ResNet50模型，分别作为左网络和右网络，并且两个2D
‑
ResNet50模型的结构和参数在初始化阶段均相同。5.如权利要求1所述的基于预标签的自监督神经网络学习心拍分类方法，其特征在于：还包括对构建的自监督式学习网络模型训练的方法，包括如下步骤：获取历史心电数据构建训练集，进行预处理得到心拍数据，并对心拍数据进行分类得到心拍类型；将获取的一维心拍数据进行时频分析转换为二维时频图...

【专利技术属性】
技术研发人员：张亚涛，李向宇，姜世鹏，赵锴文，
申请(专利权)人：山东大学，
类型：发明
国别省市：