一种基于弱监督学习的心电信号检测和定位方法技术

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。成本。成本。

【技术实现步骤摘要】
一种基于弱监督学习的心电信号检测和定位方法


[0001]本专利技术涉及心电信号处理
，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。

技术介绍

[0002]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。

技术实现思路

[0003]本专利技术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。
[0004]本专利技术克服其技术问题所采用的技术方案是：
[0005]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：
[0006]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,本文档来自技高网...

【技术保护点】

【技术特征摘要】
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,...,x
j
,...,x
n
}，x
j
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y
pre
及预测的异常信号位置集合L；d)训练深度学习模型。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)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X
1_1
，将特征图X
1_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X
1_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X
1_1
与特征图相乘后将相乘结果与特征图相乘得到特征图X
1_2
，将特征图X
1_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X
1_3
，将特征图X
1_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X
2_1
，将特征...

【专利技术属性】
技术研发人员：舒明雷，李开伟，王英龙，李金宝，高天雷，
申请(专利权)人：齐鲁工业大学山东省科学院，
类型：发明
国别省市：