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】
本专利技术属于医学信息预测,尤其涉及基于增强空间构造与生成对抗网络的心率预测方法及系统。
技术介绍
1、心电图(ecg)是一种记录心脏电活动的简单而有效的诊断工具。通过测量和分析心脏每次跳动时产生的电信号,ecg可以帮助医生识别各种心脏疾病的迹象。例如,它能够检测到心律不齐、心肌缺血和心肌梗死等问题。心脏ecg信号的解读是一项复杂的任务,因为这些信号通常含有大量的数据,且可能包含微妙的异常信号,这些异常信号可能是心脏疾病的早期迹象。传统的方法依赖于医生或技术人员手动解读这些信号,这不仅费时费力,而且容易受到主观判断的影响,可能导致漏诊或误诊,随着心脏疾病类型的增多和病例的增加,需要更高效、更精准的方法来处理和分析这些复杂的数据。由于其非侵入性和成本效益高的特点,ecg成为了临床上评估心脏健康的首选方法。因此,利用ecg信号进行准确预测和分析,对早期诊断心脏疾病具有重要意义。目前关于心电图的自动诊断模型仍主要依赖于传统的机器学习方法,根据不同疾病的不同特征对患者的心电信号进行分类,这在一定程度上辅助医生提高了诊断效率。但在实际的临床环境中,由于部分心脏疾病患病率较低,存在收集到的心电数据不平衡,特征难以提取等问题,影响了模型的训练效果,于是时间序列的分析逐渐引起了研究人员的关注。
2、有的现有技术首次提出rnn递归神经网络算法,相较于传统的前馈神经网络,rnn能够更好的捕捉数据之间存在的时序关系,并且其结构和运作方式在一定程度上也更接近真实的生物神经网络。有的现有技术首次提出长短时记忆网络(lstm),有效解决了rnn
3、而以上研究算法中,仍然存在一些关键问题尚未解决:在现有的研究中,尽管存在利用生成对抗网络(gan)实现心率生成的工作,以及单独进行心率预测的研究,但尚未有研究将这两个方面结合起来。这些研究大多聚焦于利用多个已知心率波形预测单个未知波形的方法,同时这些研究的预测效果较为单一,缺失了数据应有的多样性。
4、现有研究中,生成心率波形的模型多数采用简单的生成器和鉴别器结构。然而,对于复杂的时间序列数据,这种简化的模型结构难以实现高质量的预测效果。
5、在之前的研究中,心率预测主要依赖于递归神经网络(rnn)算法。这些算法在处理长时序数据时表现不佳,因为每一步的小错误会逐渐累积,影响长序列的预测效果,并且计算时间长,不利于实时预测。
6、现有研究中,模型设计损失值大多采用单损失值驱动模型训练,这种设计方法会影响模型的训练效果与质量,限制模型的多样性与泛化能力。
技术实现思路
1、为克服相关技术中存在的问题,本专利技术公开实施例提供了基于增强空间构造与生成对抗网络的心率预测方法及系统。
2、所述技术方案如下:基于增强空间构造与生成对抗网络的心率预测方法,包括:
3、s1,原数据集经emd经验模态分解算法滤除噪声;
4、s2,将原始高维心率信号通过深度学习模型gan-ecgformer构造网络与逆构造网络映射至构造空间,在低维空间中将心率波形数据输入拼接噪声;首先训练构造网络与逆构造网络,然后交替训练生成对抗网络模型中的生成网络与判别网络,生成更真实的数据,区分真实数据与生成数据之间的区别,利用多损失值复合训练模型训练深度学习模型gan-ecgformer;
5、s3,深度学习模型gan-ecgformer训练完毕后,检查预测样本质量,利用rmse指标、mae指标、prd指标、fd指标评估深度学习模型gan-ecgformer预测准确度。
6、在步骤s2中,所述深度学习模型gan-ecgformer生成网络与判别网络为核心,利用构造网络与逆构造网络将数据映射至另一维度学习数据内,再动态关联;在新的维度下,生成网络将学习数据的内在表示,判别网络依次判断输入为真实数据或是伪造数据,在多轮对抗迭代后,生成网络和判别网络逐步优化生成策略与鉴别能力,使生成效果与真实数据分布相同,引入用于使训练过程速度加快和训练质量稳定的多损失值复合训练的方法。
7、在步骤s2中,将原始高维心率信号通过深度学习模型gan-ecgformer构造网络与逆构造网络映射至构造空间,包括:构造网络将原始高维心率信号映射至新的构造表示,表达式为:
8、;
9、式中,为构造表示,为构造网络映射,为原始高维心率信号,为构造网络的参数,构造网络利用映射将高维表示拆解成多重简单信号组合表示结果;
10、逆构造网络将拆解后的逆构造至原高维空间表示,表达式为:
11、;
12、式中,为重构信号,为逆构造网络映射,为逆构造网络的参数,逆构造网络的目的是将多重简单信号的组合表示根据规律恢复至原空间的表示,即恢复为原始信号的表示形式。
13、进一步,原始高维心率信号与重构信号之间的差异通过均方误差mse进行衡量,表达式为:
14、;
15、式中,为均方误差mse,为采样点个数,为心率序列中的第个采样点,为心率序列重构后的第个采样点;在训练过程中,loss值越小,构造空间与逆构造空间的映射能力越强。
16、在步骤s2中,生成网络与判别网络在新的低维空间中训练,生成网络根据高斯噪声随机生成随机预测结果,与真实未来数据相似,生成网络学习原数据在低维空间下的信号特征,将高斯噪声中采样的数据经自注意力、残差网络、前馈网络变换得到低维空间下的信号特征原数据的特征表示,计算与之间的差距,表达式为:
17、;
18、式中,为均方根误差,为第个样本的真实值,为第个样本的预测,为样本数量;
19、rmse值越小,则代表生成网络所生成的数据与真实数据差距越小;
20、判别网络将评估输入数据的真实性,最小化生成器生成的伪造数据的准确性,区分真实数据与生成器所生成的伪造数据,计算公式为:
21、;
22、式中,为判别器最小损失函数,为真实数据的分布期望,为随机噪声的分布期望,为判别器本文档来自技高网...
【技术保护点】
1.一种基于增强空间构造与生成对抗网络的心率预测方法,其特征在于,该方法包括:
2.根据权利要求1所述的基于增强空间构造与生成对抗网络的心率预测方法,其特征在于,在步骤S2中,所述深度学习模型GAN-ECGformer生成网络与判别网络为核心,利用构造网络与逆构造网络将数据映射至另一维度学习数据内,再动态关联;在新的维度下,生成网络将学习数据的内在表示,判别网络依次判断输入为真实数据或是伪造数据,在多轮对抗迭代后,生成网络和判别网络逐步优化生成策略与鉴别能力,使生成效果与真实数据分布相同,引入用于使训练过程速度加快和训练质量稳定的多损失值复合训练的方法。
3.根据权利要求1所述的基于增强空间构造与生成对抗网络的心率预测方法,其特征在于,在步骤S2中,将原始高维心率信号通过深度学习模型GAN-ECGformer构造网络与逆构造网络映射至构造空间,包括:构造网络将原始高维心率信号映射至新的构造表示,表达式为:
4.根据权利要求3所述的基于增强空间构造与生成对抗网络的心率预测方法,其特征在于,原始高维心率信号与重构信号之间的差异通过均方误差MSE进行
5.根据权利要求1所述的基于增强空间构造与生成对抗网络的心率预测方法,其特征在于,在步骤S2中,生成网络与判别网络在新的低维空间中训练,生成网络根据高斯噪声随机生成随机预测结果,与真实未来数据相似,生成网络学习原数据在低维空间下的信号特征,将高斯噪声中采样的数据经自注意力、残差网络、前馈网络变换得到低维空间下的信号特征原数据的特征表示,计算与之间的差距,表达式为:
6.根据权利要求1所述的基于增强空间构造与生成对抗网络的心率预测方法,其特征在于,在步骤S2中,构造网络、逆构造网络、生成对抗网络模型计算公式由Transformer组成,包含多头自注意力、位置编码与前馈网络,自注意力公式如下:
7.根据权利要求1所述的基于增强空间构造与生成对抗网络的心率预测方法,其特征在于,在步骤S2中,多损失值复合训练模型包括:
8.根据权利要求1所述的基于增强空间构造与生成对抗网络的心率预测方法,其特征在于,在步骤S3中,深度学习模型GAN-ECGformer训练过程具体包括:
9.根据权利要求1所述的基于增强空间构造与生成对抗网络的心率预测方法,其特征在于,在步骤S3中,RMSE指标的表达式为:
10.一种基于增强空间构造与生成对抗网络的心率预测系统,其特征在于,该系统通过权利要求1-9任意一项所述的基于增强空间构造与生成对抗网络的心率预测方法实现,该系统包括:
...【技术特征摘要】
1.一种基于增强空间构造与生成对抗网络的心率预测方法,其特征在于,该方法包括:
2.根据权利要求1所述的基于增强空间构造与生成对抗网络的心率预测方法,其特征在于,在步骤s2中,所述深度学习模型gan-ecgformer生成网络与判别网络为核心,利用构造网络与逆构造网络将数据映射至另一维度学习数据内,再动态关联;在新的维度下,生成网络将学习数据的内在表示,判别网络依次判断输入为真实数据或是伪造数据,在多轮对抗迭代后,生成网络和判别网络逐步优化生成策略与鉴别能力,使生成效果与真实数据分布相同,引入用于使训练过程速度加快和训练质量稳定的多损失值复合训练的方法。
3.根据权利要求1所述的基于增强空间构造与生成对抗网络的心率预测方法,其特征在于,在步骤s2中,将原始高维心率信号通过深度学习模型gan-ecgformer构造网络与逆构造网络映射至构造空间,包括:构造网络将原始高维心率信号映射至新的构造表示,表达式为:
4.根据权利要求3所述的基于增强空间构造与生成对抗网络的心率预测方法,其特征在于,原始高维心率信号与重构信号之间的差异通过均方误差mse进行衡量,表达式为:
5.根据权利要求1所述的基于增强空间构造与生成对抗网络的心率预测方法,其特征在于,在步骤s2中,生成网...
【专利技术属性】
技术研发人员:杨阳,兰天宇,张尉华,姜淑华,黄旭鹏,李丰田,朱耀东,曹馨妍,王保国,李明秋,从海芳,
申请(专利权)人:长春理工大学,
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。