【技术实现步骤摘要】
本专利技术涉及图像处理领域，具体涉及一种多导联心电图分类任务神经网络融合搜索方法。
技术介绍
1、心电图作为心律不齐常用的诊断工具，其波形主要由三个部分组成：p波、qrs复合波和t波。伴随着心脏活动，这些波以固定的顺序出现，记录着心脏的健康状况。然而，分析心电信号(即心跳分类)是一项耗时且专业的工作。因此，实现准确且自动的心跳分类对心律不齐诊断至关重要。心电图通常包含多个导联信号，其中每个导联用来测量心脏不同位置的活动情况。目前，国际通用的多导联心电图包括标准导联i、ii和iii，加压单极导联avr、avl和avf，以及单极胸壁导联v1、v2、v3、v4、v5和v6。
2、深度学习作为一种端到端技术，在多导联心跳分类任务中已经取得了阶段性成功。这些深度学习算法可以被大致分为两类：基于单视图的神经网络方法和基于多视图的神经网络方法。具体来说，基于单视图的神经网络方法是将多个导联信号拼接到一起，然后输入到一个神经网络中进行心跳分类。而基于多视图的神经网络方法则是将每个导联独立的输入到一个神经网络中进行特征学习，然后通过一个融合层来探索导联之间的交互关系，最后进行心跳分类。相比于基于单视图的神经网络方法，基于多视图的神经网络方法进一步探索了导联之间的多样性。例如一种新颖的基于密集连接卷积网络的心肌梗死多导联定位方法，该方法提高了心肌梗死识别的准确率。一种多视图多尺度深度神经网络用于心跳分类任务，该网络利用多视图方法有效融合不同的导联特征，并使用多尺度卷积神经网络结构获取在不同尺度下的时序特征。
3、当前，最常见
技术实现思路
1、针对现有技术中的上述不足，本专利技术提供了一种多导联心电图分类任务神经网络融合搜索方法。
2、为了达到上述专利技术目的，本专利技术采用的技术方案为：
3、一种多导联心电图分类任务神经网络融合搜索方法，包括如下步骤：
4、s1、构建包括多个选择块的多导联心电图分类任务网络拓扑结构；
5、s2、将在单导联心电信号上预训练好的模型作为框架输入到所构建的网络拓补结构中作为所构建的网络拓补结构的特征提取器，同时输入针对多导联心电分类任务预定义的选择块集合；
6、s3、初始化超网权重，利用单路径采样策略对超网进行训练，输出训练好的超网权重并将其作为多导联心电图分类任务神经网络融合搜索的性能评估参数；
7、s4、随机初始化一个包含多个不同的多导联心电图分类任务网络的初始种群，利用单路径采样策略进行网络搜索，输出种群中最优的多导联心电图分类任务网络拓扑结构。
8、进一步的，所述s1中多个选择块包括：第一导联信号特征选择块、第二导联信号特征选择块、融合策略选择块以及拓补结构选择块，其中，所述第一导联信号特征选择块和第二导联信号特征选择块用于选择包含不同信息的多级中间特征并构成具有多种信息的多导联联合表达；所述融合策略选择块用于将被选择的特征进行融合，提取不同导联特征之间的互补信息以提高预测精度；所述拓补结构选择块用于通过构建跳跃连接修改最终融合网络的拓补结构。
9、进一步的，所述s3具体包括如下步骤：
10、s31、初始化超网权重w，其包含所有可能的多导联融合网络结构；
11、s32、随机生成索引序列，序列中的元素分别代表每个选择快激活的选择序号；
12、s33、基于所生成的索引序列构建相应的多导联融合网络；
13、s34、训练超网中只属于s33所构建的多导联融合网络部分的权重；
14、s36、重复步骤s31-s34直至迭代结束，输出训练好的超网权重并将其作为并将其作为融合搜索的性能评估器。
15、进一步的，所述s33中基于所生成的索引序列构建相应的多导联融合网络表示为a＝[γl]l∈{1,...,l}，其中分别表示在每个细胞中第一特征选择块、第二特征选择块、融合策略选择块和拓扑结构选择块激活的选项的索引，l为细胞索引，每个细胞利用索引所对应的融合策略来对由索引激活的第一特征选择块和第二特征选择块进行融合，随后基于索引构建与其他细胞间的跳跃链接，实现网络拓扑结构的改变。
16、进一步的，基于s33构建的多导联融合网络架从超网中提取该架构相应的权重wa，并冻结其他的权重，通过反向传播策略来训练此网络权重wa，目标函数为argminltrain(x,y；wa)，其中ltrain表示在训练集上的损失值，x,y依次为第一特征选择块和第二特征选择块包含不同信息的多级中间特征。
17、进一步的，所述s4具体包括如下步骤：
18、s41、从初始化种群中选择一个索引序列，构建该序列对应的多导联融合网络模型；
19、s42、从训练好的超网中直接继承对应模型的权重评估其性能；
20、s43、依次执行进化算法中的选择、变异和杂交操作进行学习，并对初始化的种群进行更新，生成新的种群；
21、s44、重复步骤s41-s43直至迭代结束，输出总群中最优的多导联融合网络。
22、进一步的，所述s42中通过计算lval(x,y；wa)来评估架构性能，其中lval表示在验证集上的损失值，wa为反向传播策略来训练此网络权重，x,y依次为第一特征选择块和第二特征选择块包含不同信息的多级中间特征。
23、进一步的，所述s43中采用单点杂交策略，通过选取两个染色体，在随机位置上进行分割并交换右侧的部分，从而得到两个不同的子染色体；采用随机变异策略，以0.1的变异概率对染色体上的每个基因进行随机改变。
24、本专利技术具有以下有益效果：
25、1、与现有的多导联心跳分类方法相比，本专利技术从多视图角度出发，进一步探索了导联之间的多样性。
26、2、本专利技术提出的框架在面对数据不均衡问题时，表现出很强的鲁棒性。
27、3、本专利技术提出的框架可以实现融合方案的自动设计，大幅度降低了对专家知识和大量试错的依赖。
本文档来自技高网...【技术保护点】
1.一种多导联心电图分类任务神经网络融合搜索方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的多导联心电图分类任务神经网络融合搜索方法，其特征在于，所述S1中多个选择块包括：第一导联信号特征选择块、第二导联信号特征选择块、融合策略选择块以及拓补结构选择块，其中，所述第一导联信号特征选择块和第二导联信号特征选择块用于选择包含不同信息的多级中间特征并构成具有多种信息的多导联联合表达；所述融合策略选择块用于将被选择的特征进行融合，提取不同导联特征之间的互补信息以提高预测精度；所述拓补结构选择块用于通过构建跳跃连接修改最终融合网络的拓补结构。
3.根据权利要求1所述的多导联心电图分类任务神经网络融合搜索方法，其特征在于，所述S3具体包括如下步骤：
4.根据权利要求3所述的多导联心电图分类任务神经网络融合搜索方法，其特征在于，所述S33中基于所生成的索引序列构建相应的多导联融合网络表示为a＝[γl]l∈{1,...,L}，其中分别表示在每个细胞中第一特征选择块、第二特征选择块、融合策略选择块和拓扑结构选择块激活的选项的索引，l为细胞索引，每个细胞
5.根据权利要求3所述的多导联心电图分类任务神经网络融合搜索方法，其特征在于，基于S33构建的多导联融合网络架从超网中提取该架构相应的权重WA，并冻结其他的权重，通过反向传播策略来训练此网络权重WA，目标函数为argminLtrain(x,y；WA)，其中Ltrain表示在训练集上的损失值，x,y依次为第一特征选择块和第二特征选择块包含不同信息的多级中间特征。
6.根据权利要求1所述的多导联心电图分类任务神经网络融合搜索方法，其特征在于，所述S4具体包括如下步骤：
7.根据权利要求6所述的多导联心电图分类任务神经网络融合搜索方法，其特征在于，所述S42中通过计算Lval(x,y；WA)来评估架构性能，其中Lval表示在验证集上的损失值，WA为反向传播策略来训练此网络权重，x,y依次为第一特征选择块和第二特征选择块包含不同信息的多级中间特征。。
8.根据权利要求6所述的多导联心电图分类任务神经网络融合搜索方法，其特征在于，所述S43中采用单点杂交策略，通过选取两个染色体，在随机位置上进行分割并交换右侧的部分，从而得到两个不同的子染色体；采用随机变异策略，以0.1的变异概率对染色体上的每个基因进行随机改变。
...【技术特征摘要】
1.一种多导联心电图分类任务神经网络融合搜索方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的多导联心电图分类任务神经网络融合搜索方法，其特征在于，所述s1中多个选择块包括：第一导联信号特征选择块、第二导联信号特征选择块、融合策略选择块以及拓补结构选择块，其中，所述第一导联信号特征选择块和第二导联信号特征选择块用于选择包含不同信息的多级中间特征并构成具有多种信息的多导联联合表达；所述融合策略选择块用于将被选择的特征进行融合，提取不同导联特征之间的互补信息以提高预测精度；所述拓补结构选择块用于通过构建跳跃连接修改最终融合网络的拓补结构。
3.根据权利要求1所述的多导联心电图分类任务神经网络融合搜索方法，其特征在于，所述s3具体包括如下步骤：
4.根据权利要求3所述的多导联心电图分类任务神经网络融合搜索方法，其特征在于，所述s33中基于所生成的索引序列构建相应的多导联融合网络表示为a＝[γl]l∈{1,...,l}，其中分别表示在每个细胞中第一特征选择块、第二特征选择块、融合策略选择块和拓扑结构选择块激活的选项的索引，l为细胞索引，每个细胞利用索引所对应的融合策略来对由索引激活的第一特征选择块和第二特征选择块进行融合，随后基于索引构建与其他细胞间的...
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。