【技术实现步骤摘要】
本专利技术涉及心电信号分类，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。
技术介绍
1、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。
技术实现思路
1、本专利技术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。
2、本专利技术克服其技术问题所采用的技术方案是：
3、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：
4、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}；
5、b)将第i个心电信号xi进行数据增强得到样本
6、c)建立se-resnext-can网络模型，se-resnext-can网络模型由浅层特
7、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；
8、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；
9、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；
10、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；
11、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；
12、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；
13、j)训练se-resnext-can网络模型，得到优化后的se-resnext-can网络模型；
14、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}；
15、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。
16、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。
17、进一步的，步骤b)包括如下步骤：
18、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；
19、b-2)将高斯噪声与第i个心电信号xi得相加，到样本进一步的，步骤d)包括如下步骤：
20、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，将样本xim1输入到浅层特征提取模块中，输出得到特征f1。
21、进一步的，步骤e)包括如下步骤：
22、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；
23、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f12，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f22，将特征f12与特征f22进行相加操作，得到特征rm1；
24、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f32；
25、e-4)将特征rm1与特征f32进行相加操作，得到特征f2。
26、进一步的，步骤f)包括如下步骤：
27、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；
28、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f13，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f23，将特征f13与特征f23进行相加操作，得到特征rm2；
29、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f33；
30、f-4)将特征rm2与特征f33进行相加操作，得到特征f3。
31、进一步的，步骤g)包括如下步骤：
32、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；
33、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f14，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f24，将特征f14与特征f24进行相加操作，得到特征rm3；
34、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f34，将特征r本文档来自技高网...
【技术保护点】
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：
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：
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：
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e)包括如下步骤：
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f)包括如下步骤：
7.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g)包括如下步骤：
8.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h)
9.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。
10.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。
...【技术特征摘要】
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：
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：
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：
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e)包括如下步骤：
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...
【专利技术属性】
技术研发人员：舒明雷，李路瑶，徐鹏摇，周书旺，刘照阳，
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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。