System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及心电信号分类,具体涉及一种基于改进孪生网络的小样本心电信号分类方法。
技术介绍
1、近年来,在面对大数据处理的过程中,深度学习的算法模型在人工智能领域取得前所未有的成功,但由于某些类型的心律失常罕见且个体差异较大,所采集的数据有限,因此现有模型的泛化能力和准确性可能受到限制。小样本学习主要作用在神经网络分类器中,仅需要少量的样本进行学习训练,可以高效的对心电信号进行识别分类。
技术实现思路
1、本专利技术为了克服以上技术的不足,提供了一种提高分类的准确率的基于改进孪生网络的小样本心电信号分类方法。
2、本专利技术克服其技术问题所采用的技术方案是:
3、一种基于改进孪生网络的小样本心电信号分类方法,包括如下步骤:
4、a)获取n条原始心电信号,得到原始心电信号集d,d={(x1,y1),(x2,y2),...,(xi,yi),...,(xn,yn)},其中xi为第i条原始心电信号,yi为第i条原始心电信号xi对应的类标签,i∈{1,...,n};
5、b)对原始心电信号集d进行预处理,去除原始心电信号中的噪音,得到干净的心电信号集d′,d′={(x′1,y1),(x′2,y2),...,(x′i,yi),...,(x′n,yn)},其中x′i为第i条干净的心电信号;
6、c)将第i条干净的心电信号x′i进行归一化操作,得到归一化后的心电信号x″i,如果归一化后的心电信号x″i的序列的长度小于lmax则对归一化后
7、d)根据归一化后的心电信号集d″创建样本对集p,其中yi-1为第i条原始心电信号xi-1对应的类标签,样本对集p中的样本对个数为m,
8、e)构建小样本分类模型,将样本对集p中的样本对((x″i,x″i+1),y′)输入到小样本分类模型中,输出得到相似度度量值ew(x″i,x″i+1);
9、f)通过损失函数l利用adam优化器训练小样本分类模型,得到优化后的小样本分类模型;
10、g)在mit-bih数据集的n个类别中的每个类别随机抽样k个心电信号构成支持集ssupprt,ssupprt={(s1,a1),(s2,a2),...,(si,ai),...,(snk,ank)},其中si为第i个心电信号,ai为第i个心电信号si对应的类标签,i∈{1,...,nk};
11、h)在mit-bih数据集的n个类别中的每个类别随机抽样q个心电信号构成查询集squery,squery={(q1,b1),(q2,b2),...,(qi,bi),...,(qnq,bnq)},其中qi为第i个心电信号,bi为第i个心电信号qi对应的类标签,i∈{1,...,nq};
12、i)将第i个心电信号si替代第i条原始心电信号xi后重复执行步骤b)至步骤c)得到第i个归一化后的心电信号s″i,得到归一化后的支持集s″supprt,s″supprt={(s″1,a1),(s″2,a2),...,(s″i,ai),...,(s″nk,ank)},将第i个心电信号qi替代第i条原始心电信号xi后重复执行步骤b)至步骤c)得到第i个归一化后的心电信号q″i,得到归一化后的查询集s″query,s″query={(q″1,b1),(q″2,b2),...,(q″i,bi),...,(q″nq,bnq)};
13、j)将第i个归一化后的心电信号s″i及第i个归一化后的心电信号q″i输入到优化后的小样本分类模型中,输出得到分类结果。
14、进一步的,步骤a)中从ucr数据集中获取n条原始心电信号。
15、进一步的,步骤b)中将第i条原始心电信号xi依次经过第一中值滤波器、第二中值滤波器滤波后去除噪声,得到第i条干净的心电信号x′i。
16、优选的,第一中值滤波器的宽度为300ms,第二中值滤波器的宽度为600ms。
17、优选的,lmax=187。
18、进一步的,步骤e)包括如下步骤:
19、e-1)小样本分类模型由嵌入模块、度量模块构成;
20、e-2)小样本分类模型的嵌入模块由第一cmp模块与第二cmp模块组成的孪生网络构成,第一cmp模块由卷积层、第一relu激活函数层、胶囊网络的主胶囊层、胶囊网络的数字胶囊层、第一全连接层、第二relu激活函数层、第二全连接层构成,第二cmp模块由卷积层、第一relu激活函数层、胶囊网络的主胶囊层、胶囊网络的数字胶囊层、第一全连接层、第二relu激活函数层、第二全连接层构成;
21、e-3)将第i个归一化后的心电信号x″i依次输入到第一cmp模块的卷积层、第一relu激活函数层中,输出得到特征f11,将特征f11输入到第一cmp模块的胶囊网络的主胶囊层中,输出得到向量f12,将向量f12输入到第一cmp模块的胶囊网络的数字胶囊层中,输出得到特征f13,将特征f13依次输入到第一cmp模块的第一全连接层、第二relu激活函数层中,输出得到特征f14,将特征f14输入到第一cmp模块的第二全连接层中,输出得到特征f(x″i);
22、e-4)将第i+1个归一化后的心电信号x″i+1依次输入到第一cmp模块的卷积层、第一relu激活函数层中,输出得到特征f21,将特征f21输入到第一cmp模块的胶囊网络的主胶囊层中,输出得到向量f22,将向量f22输入到第一cmp模块的胶囊网络的数字胶囊层中,输出得到特征f23,将特征f23依次输入到第一cmp模块的第一全连接层、第二relu激活函数层中,输出得到特征f24,将特征f24输入到第一cmp模块的第二全连接层中,输出得到特征f(x″i+1);
23、e-5)将特征f(x″i)及特征f(x″i+1)输入到小样本分类模型的度量模块中,通过公式ew(x″i,x″i+1)=||f(x″i)-f(x″i+1)||计算得到相似度度量值ew(x″i,x″i+1),式中||·||为计算欧式距离操作。
24、优选的,步骤e-2)中第一cmp模块的卷积层的卷积核大小为3×3,第二cmp模块的卷积层的卷积核大小为3×3。
25、进一步的,步骤f)中通过公式l=l1+αl2计算得到损失函数l,式中m为超参数,α为超参数,l2为交叉熵损失函数。
26、进一步的,步骤j)包括如下步骤:
27、j-1)将第u类的第i个归一化后的心电信号s″i依次输入到第一cmp模块的卷积层、第一relu激活函数层中,输出得到特征f31,u∈{1,...,n},将特征f31输入到第一cmp模块的胶囊网络的主胶囊层中,输出得到向量f32,将向量f32输入到第一cmp模块的本文档来自技高网...
【技术保护点】
1.一种基于改进孪生网络的小样本心电信号分类方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于改进孪生网络的小样本心电信号分类方法,其特征在于:步骤a)中从UCR数据集中获取n条原始心电信号。
3.根据权利要求1所述的基于改进孪生网络的小样本心电信号分类方法,其特征在于:步骤b)中将第i条原始心电信号xi依次经过第一中值滤波器、第二中值滤波器滤波后去除噪声,得到第i条干净的心电信号x′i。
4.根据权利要求3所述的基于改进孪生网络的小样本心电信号分类方法,其特征在于:第一中值滤波器的宽度为300ms,第二中值滤波器的宽度为600ms。
5.根据权利要求1所述的基于改进孪生网络的小样本心电信号分类方法,其特征在于:Lmax=187。
6.根据权利要求1所述的基于改进孪生网络的小样本心电信号分类方法,其特征在于,步骤e)包括如下步骤:
7.根据权利要求6所述的基于改进孪生网络的小样本心电信号分类方法,其特征在于:步骤e-2)中第一CMP模块的卷积层的卷积核大小为3×3,第二CMP模块的卷积层的卷积核大
8.根据权利要求1所述的基于改进孪生网络的小样本心电信号分类方法,其特征在于:步骤f)中通过公式L=L1+αL2计算得到损失函数L,式中
9.根据权利要求6所述的基于改进孪生网络的小样本心电信号分类方法,其特征在于,步骤j)包括如下步骤:
...【技术特征摘要】
1.一种基于改进孪生网络的小样本心电信号分类方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于改进孪生网络的小样本心电信号分类方法,其特征在于:步骤a)中从ucr数据集中获取n条原始心电信号。
3.根据权利要求1所述的基于改进孪生网络的小样本心电信号分类方法,其特征在于:步骤b)中将第i条原始心电信号xi依次经过第一中值滤波器、第二中值滤波器滤波后去除噪声,得到第i条干净的心电信号x′i。
4.根据权利要求3所述的基于改进孪生网络的小样本心电信号分类方法,其特征在于:第一中值滤波器的宽度为300ms,第二中值滤波器的宽度为600ms。
5.根据权利要求1所述的基于改进孪...
【专利技术属性】
技术研发人员:王英龙,孙蒙雨,舒明雷,周书旺,徐鹏摇,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。