【技术实现步骤摘要】
本专利技术涉及ecg心电分类，具体涉及一种基于随机掩码和生成式自监督学习的心电分类方法。
技术介绍
1、心电信号是反应心跳变化的一种重要电信号，直观的反映了心脏波形的变化情况，心电信号的变化情况蕴含着许多重要信息，不同的波形都具有不同的意义，因此正确的区分心电信号类别有着重要意义。
2、深度学习的强大能力被利用到社会生活的各个领域，但是深度学习模型的训练依靠大量手工标注数据，且部分领域所使用的标签需要专业人员手工标注因此标注数据稀缺、昂贵。自我监督的预训练显示了其缓解这一问题的潜力，能在一定程度上依靠少量标注数据达到训练训练效果。自监督学习分为生成型和对比型方法，在心电分类领域以往采用对比式自监督较多，而基于生成型的自监督学习则被使用较少。心电样本往往数据样本不平衡问题较多，生成式自监督学习可以通过生成合成样本来增加少数类别的样本数量，从而平衡数据分布。生成方式学习到特征的表示对时间和空间信息更加敏感,因为需要依赖上下文来重构信号,所以编码的特征更具关联性和区分性。
技术实现思路
<...【技术保护点】
1.一种基于随机掩码和生成式自监督学习的心电分类方法，其特征在于，包括，包括如下步骤：
2.根据权利要求1所述的基于随机掩码和生成式自监督学习的心电分类方法，其特征在于：步骤a)中从心电数据集PTB-XL中获取心电数据。
3.根据权利要求1所述的基于随机掩码和生成式自监督学习的心电分类方法，其特征在于，步骤b)包括如下步骤：
4.根据权利要求3所述的基于随机掩码和生成式自监督学习的心电分类方法，其特征在于：步骤c)中使用Python中的for循环和滑动窗口的方式将将处理后的信号X分割成10个长度为500个样本点的心电片段。
<...【技术特征摘要】
1.一种基于随机掩码和生成式自监督学习的心电分类方法，其特征在于，包括，包括如下步骤：
2.根据权利要求1所述的基于随机掩码和生成式自监督学习的心电分类方法，其特征在于：步骤a)中从心电数据集ptb-xl中获取心电数据。
3.根据权利要求1所述的基于随机掩码和生成式自监督学习的心电分类方法，其特征在于，步骤b)包括如下步骤：
4.根据权利要求3所述的基于随机掩码和生成式自监督学习的心电分类方法，其特征在于：步骤c)中使用python中的for循环和滑动窗口的方式将将处理后的信号x分割成10个长度为500个样本点的心电片段。
5.根据权利要求1所述的基于随机掩码和生成式自监督学习的心电分类方法，其特征在于，步骤d)包括如下步骤：
6.根据权利要求1所述的基于随机掩码和生成式自监督学习的心电分类方法，其特征在于，步骤f)包括如下步骤：
7.根据权利要求1所述的基于随机掩码和生成式自监督学习的心电分类方法，其特征在于，步骤g)包括如下步骤：
8.根据权利要求1所述的基于随机掩码和生成式自监督学习的心电分类方法，其特征在于，步骤h)包括如下步骤：
9.根据权利要求5所述的基于随机掩码和生成式自监督学习的心电分类方法，其特征在于：步骤d-4)中第三分支的一维卷积层的卷积核大小为3；步骤d-5)中多维注意力模块mbsa的第一一维卷积层的卷积核大小为5，第二一维卷积层的卷积核大小为5，第二一维卷积层的卷积核大小为5，残差注意力模块rablock的第一分支的第一一维卷积层的卷积核大小为3，残差注意力模...
【专利技术属性】
技术研发人员：王英龙，刘威，舒明雷，周书旺，刘照阳，朱喆，徐鹏摇，
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。